Información general

UiPath ofrece una serie de capacidades de aprendizaje automático listas para usar en UiPath® AI Center. Un ejemplo notable es Document Understanding^TM. Además, los modelos creados por UiPath y de código abierto (solo de servicio y reentrenables) se añaden continuamente a AI Center.

Aviso: Al crear un Paquete ML en AI Center, no puede nombrarse utilizando ninguna palabra clave reservada de Python, como class, break, from, finally, global y None. Asegúrate de elegir otro nombre. Los ejemplos listados no son completos, ya que el nombre del paquete se utiliza para class <pkg-name> y import <pck-name>.

Nota: Estos modelos son compatibles tal cual y no se trabaja activamente en ellos para mejorar el rendimiento del modelo. Dado que el código es de código abierto, es totalmente accesible para las optimizaciones. Los errores relacionados con el uso en la plataforma UiPath se investigan y corrigen en la medida de lo posible sin garantías de SLA. No se recomienda el uso de estos modelos en flujos de trabajo de producción críticos.

Actualmente, están disponibles en la plataforma los siguientes paquetes:

Modelo	Categoría	Tipo	Disponibilidad
Clasificación de imágenes	Análisis de imagen de UiPath	Entrenamiento personalizado	Preliminar
Comparación de firmas	Análisis de imagen de UiPath	Entrenamiento previo	Disponibilidad general
Reconocimiento personalizado de entidad con nombre	Análisis de idioma de UiPath	Entrenamiento personalizado	Disponibilidad general
Clasificación de texto claro	Análisis de idioma de UiPath	Entrenamiento personalizado	Disponibilidad general
Clasificación de texto multilingüe	Análisis de idioma de UiPath	Entrenamiento personalizado	Disponibilidad general
Similitud semántica	Análisis de idioma de UiPath	Entrenamiento previo	Preliminar
Clasificación de texto multietiqueta	Análisis de idioma de UiPath	Entrenamiento personalizado	Preliminar
Modelo de Analizador de TM	UiPath Task Mining	Entrenamiento personalizado	Disponibilidad general
Moderación de imágenes	Paquetes de código abierto: análisis de imagen	Entrenamiento previo	N/D
Detección de objetos	Paquetes de código abierto: análisis de imagen	Entrenamiento previo y personalizado	N/D
Clasificación de texto en inglés	Paquetes de código abierto: análisis de idioma	Entrenamiento personalizado	N/D
Clasificación de texto en francés	Paquetes de código abierto: análisis de idioma	Entrenamiento personalizado	N/D
Clasificación de texto en japonés	Paquetes de código abierto: análisis de idioma	Entrenamiento personalizado	N/D
Detección de idiomas	Paquetes de código abierto: análisis de idioma	Entrenamiento previo	N/D
Reconocimiento de entidades con nombre	Paquetes de código abierto: análisis de idioma	Entrenamiento previo	N/D
Análisis de sentimiento	Paquetes de código abierto: análisis de idioma	Entrenamiento previo	N/D
Clasificación de texto	Paquetes de código abierto: análisis de idioma	Entrenamiento personalizado	N/D
Respuesta de preguntas	Paquetes de código abierto: comprensión del idioma	Entrenamiento previo	N/D
Similitud semántica	Paquetes de código abierto: comprensión del idioma	Entrenamiento previo	N/D
Resumen del texto	Paquetes de código abierto: comprensión del idioma	Entrenamiento previo	N/D
Traducción del inglés al francés	Paquetes de código abierto: traducción del idioma	Entrenamiento previo	N/D
Traducción del inglés al alemán	Paquetes de código abierto: traducción del idioma	Entrenamiento previo	N/D
Traducción del inglés al ruso	Paquetes de código abierto: traducción del idioma	Entrenamiento previo	N/D
Traducción del alemán al inglés	Paquetes de código abierto: traducción del idioma	Entrenamiento previo	N/D
MultilingualTranslator	Paquetes de código abierto: traducción del idioma	Entrenamiento previo	N/D
Traducción del ruso al inglés	Paquetes de código abierto: traducción del idioma	Entrenamiento previo	N/D
Clasificación tabular TPOT	Paquetes de código abierto: datos tabulares	Entrenamiento personalizado	N/D
Regresión tabular TPOT	Paquetes de código abierto: datos tabulares	Entrenamiento personalizado	N/D
Clasificación tabular XGBoost	Paquetes de código abierto: datos tabulares	Entrenamiento personalizado	N/D
Regresión tabular XGBoost	Paquetes de código abierto: datos tabulares	Entrenamiento personalizado	N/D

Nota: para los modelos Document Understanding, consulta la guía Document Understanding.

Listo para implementar

En el producto se pueden encontrarse más paquetes de ejemplo que pueden implementarse inmediatamente y añadirse a un flujo de trabajo de RPA.

Moderación de imágenes

Se trata de un modelo para la moderación de contenido de imágenes basado en una arquitectura de aprendizaje profundo normalmente denominada Inception V3. En una imagen, el modelo mostrará una de las cuatro clases "explícito", "dibujo explícito", "neutro" y "pornográfico" junto con una puntuación de confianza normalizada para cada probabilidad de clase.

Se basa en el informe de investigación "Rethinking the Inception Architecture for Computer Vision", de Szegedy et al, que se publicó en código abierto en Google.

Análisis de sentimiento

Este modelo predice el sentir de un texto en idioma inglés. Se ha hecho de código abierto por Facebook Research. Las predicciones posibles son: "Muy negativo", "Negativo", "Neutral", "Positivo" y "Muy positivo". El modelo se ha entrenado en los datos de comentarios de los productos de Amazon, por lo que puede que las predicciones del modelo tengan algunos resultados inesperados para diferentes distribuciones de datos. Un caso de uso común es para redirigir el contenido de idiomas no estructurados (p. ej., correos electrónicos) según el sentir del texto.

Se basa en el estudio de investigación "Bag of Tricks for Efficient Text Classification", de Joulin et al.

Respuesta de preguntas

Este modelo predice la respuesta a una pregunta de un texto en inglés en función del contexto de algún párrafo. Se ha hecho de código abierto por ONNX. Un caso de uso común es en informes KYC o en el procesamiento de informes financieros en los que se puede aplicar una pregunta común a un conjunto estándar de documentos semiestructurados. Se basa en vanguardista modelo BERT (Bidirectional Encoder Representations from Transformers). El modelo aplica Transformers, un conocido modelo de atención, para modelar el idioma con el objetivo de producir una codificación del input y luego entrena la tarea de responder la pregunta.

Se basa en el informe de investigación “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”.

Identificación de idioma

Este modelo predice el idioma de una entrada de texto. Las predicciones posibles son uno de los siguientes 176 idiomas:

Lenguajes

Af als am an ar arz as ast av az azb ba bar bcl be bg bh bn bo bpy br bs bxr ca cbk ce ceb ckb co cs cv Cy da de diq dsb dty dv el eml en eo es et EU fa fi frr fy ga gd gl gn gom gu gv he hi hif hr hsb ht hu hya id, es decir, ilo io es ja jbo jv kk kk krc ku kw ky la lib lez lmo lo lrc lt lv maimg mhr min mk ml mn mr mrj ms mt mwl my myv mzn nah nap nds ne new nl nn no oc or os pam pfla pl pms pnb PSpt qu rm ro ru rue sa sah sc scn Sco sd Sh si sk sl So sq sr su SV SW Ta te tg th tk tl tr tt tiv ug Reino Unido ur uz vec vep vi vls vo w war wuu xal xmf yi yo yue zh

Se ha hecho de código abierto por Facebook Research. El modelo se ha entrenado en los datos de Wikipedia, Tatoeba y SETimes utilizados bajo la licencia Creative Commons Attribution-Share-Alike 3.0. Un caso de uso común es para redirigir el contenido de idiomas no estructurados (p. ej., correos electrónicos) a un respondedor adecuado en función del idioma del texto.

Se basa en el estudio de investigación "Bag of Tricks for Efficient Text Classification", de Joulin et al.

MultilingualTranslator

Este modelo ofrece traducción directamente entre cualquier par de más de 200 idiomas. Puedes encontrar la lista completa de idiomas y el código correspondiente para utilizar cada uno de ellos aquí.

Esta es la integración HuggingFace del modelo No Language Left Behind de código abierto de Meta AI Research. El modelo se publicó con la siguiente licencia: Licencia.

Descripción de entrada

La entrada del modelo es JSON con tres claves:

• text: el texto a traducir.
• from_lang: el código de idioma del texto a traducir.
• to_lang: el código de idioma del texto de destino.

Por ejemplo:

{"text" : "UN Chief says there is no military solution in Syria", "from_lang" : "eng_Latn", "to_lang" : "fra_Latn" }"

Descripción de salida

El modelo devuelve el texto traducido en el idioma de destino:

"Le chef de l'ONU dit qu'il n'y a pas de solution militaire en Syrie"

Del inglés al francés

Este es un modelo de traducción automática de secuencia tras secuencia que traduce del inglés al francés. Se ha hecho de código abierto por Facebook AI Research (FAIR).

Se basa en el informe de investigación "Convolutional Sequence to Sequence Learning", de Gehring et al.

Del inglés al alemán

Este es un modelo de traducción automática de secuencia tras secuencia que traduce del inglés al alemán. Se ha hecho de código abierto por Facebook AI Research (FAIR).

Se basa en el informe de investigación "Facebook FAIR's WMT19 News Translation Submission", de Ng et al.

Alemán a inglés

Este es un modelo de traducción automática de secuencia tras secuencia que traduce del inglés al ruso. Se ha hecho de código abierto por Facebook AI Research (FAIR).

Se basa en el informe de investigación "Facebook FAIR's WMT19 News Translation Submission", de Ng et al.

Del inglés al ruso

Este es un modelo de traducción automática de secuencia tras secuencia que traduce del inglés al ruso. Se ha hecho de código abierto por Facebook AI Research (FAIR).

Se basa en el informe de investigación "Facebook FAIR's WMT19 News Translation Submission", de Ng et al.

Ruso al inglés

Este es un modelo de traducción automática de secuencia tras secuencia que traduce del inglés al ruso. Se ha hecho de código abierto por Facebook AI Research (FAIR).

Se basa en el informe de investigación "Facebook FAIR's WMT19 News Translation Submission", de Ng et al.

Reconocimiento de entidades con nombre

Este modelo muestra una lista de entidades reconocidas en el texto. Los 18 tipos reconocidos de entidades con nombre utilizan la misma clase de salida que en OntoNotes5, que se utiliza habitualmente para realizar pruebas comparativas de esta tarea en el mundo académico. El modelo se basa en el informe de investigación "Approaching nested named entity recognition with parallel LSTM-CRFs", de Borchmann et al en 2018.

Las 18 clases son las siguientes:

Entidad	Descripción
Persona	Personas, incluidas las ficticias.
NORP	Nacionalidades, religiones o grupos políticos.
FAC	Edificios, aeropuertos, carreteras, puentes, etc.
ORG	Empresas, agencias, instituciones, etc.
GPE	Países, ciudades, estados.
LOC	Ubicaciones que no sean GPE, cordilleras, extensiones de agua.
Producto	Objetos, vehículos, alimentos, etc. (no servicios).
Evento	Huracanes, batallas, guerras, eventos deportivos, etc. que tengan nombre.
WORK_OF_ART	Títulos de libros, canciones, etc.
LAW	Documentos con nombre convertidos en leyes.
Idioma	Cualquier idioma que tenga nombre.
Fecha	Fechas o periodos absolutos o relativos.
HORA	Tiempos que sean inferiores a un día.
PERCENT	Porcentaje, incluido el "%".
MONEY	Valores monetarios, incluida su unidad.
Cantidad	Medidas, como el peso o la distancia.
ORDINAL	"Primero", "segundo", etc.
CARDINAL	Numerales que no pertenezcan a ningún otro tipo.

Re-trainable

En el producto se pueden encontrar paquetes de ejemplo que se pueden entrenar añadiendo datos al almacenamiento de AI Center e iniciando un proceso, así como más modelos.

Clasificación de texto en inglés

Este es un modelo genérico y reentrenable para la clasificación de texto en inglés. Los casos de uso habituales son la clasificación de correo electrónico, la clasificación de tickets de servicio, el análisis personalizado de sentires, entre otros. Consulta Clasificación de texto en inglés para obtener más detalles.

Clasificación de texto en francés

Este es un modelo genérico y reentrenable para la clasificación de texto en francés. Los casos de uso habituales son la clasificación de correo electrónico, la clasificación de tickets de servicio, el análisis personalizado de sentires, entre otros. Consulta Clasificación de texto en francés para obtener más detalles.

Clasificación de texto multilingüe

Esta es la versión preliminar de un modelo genérico y reentrenable para la clasificación de texto. Es compatible con los 100 principales idiomas de Wikipedia enumerados aquí. Este paquete ML debe entrenarse, y si se implementa sin entrenar primero, la implementación fallará con un error que indica que el modelo no está entrenado. Se basa en BERT, un método autosupervisado para preentrenar sistemas de procesamiento de lenguaje natural. Se recomienda una GPU especialmente durante el entrenamiento. Una GPU ofrece una mejora de la velocidad de entre 5 y 10 veces.

Reconocimiento personalizado de entidad con nombre

Este modelo de vista previa te permite traer tu propio conjunto de datos etiquetado con las entidades que quieres extraer. Los conjuntos de datos de entrenamiento y evaluación deben estar en formato CoNLL.

Clasificación tabular AutoML - TPOT

Este es un modelo genérico y reentrenable para la clasificación tabular de datos (p. ej., csv, excel). Es decir, dada una tabla de columnas y una columna de destino, encontrará un modelo para esos datos. Consulta Clasificación TPOT AutoML para obtener más detalles.

Clasificación tabular - TPOT XGBoost

Este es un modelo genérico y reentrenable para la clasificación tabular de datos (p. ej., csv, excel). Es decir, dada una tabla de columnas y una columna de destino, encontrará un modelo (basado en XGBoost) para esos datos. Consulta Clasificación TPOT XGBoost,