Vue d'ensemble (Overview)

UiPath provides a number of machine learning capabilities out-of-the-box on UiPath® AI Center. A notable example is Document Understanding^TM. In addition, UiPath built and open-source models (serving-only and retrainable) are continuously added to AI Center.

Remarque : lors de la création d'un paquet ML dans AI Center, il ne peut pas être nommé à l'aide d'un mot clé réservé python, tel que class , break , from , finally , global , None , etc. Assurez-vous de choisir un autre nom. Les exemples répertoriés ne sont pas complets car le nom du package est utilisé pour class <pkg-name> et import <pck-name> .

Remarque : Ces modèles sont pris en charge en l'état et ne sont pas activement travaillés pour améliorer les performances du modèle. Étant donné que le code est en open source, il est entièrement accessible pour les optimisations. Les bogues relatifs à l’utilisation sur la plate-forme UiPath sont examinés et corrigés dans la mesure du possible, sans garantie de SLA. Ces modèles ne sont pas recommandés pour une utilisation dans les workflows de production critiques.

Les packages suivants sont disponibles sur la plate-forme dès aujourd'hui :

Modèle	Catégorie	Saisie de texte	Disponibilité
Classification des images	Analyse des images UiPath	Entraînement personnalisé	Aperçu
Comparaison des signatures	Analyse des images UiPath	Pré-entraîné	Disponibilité générale
Reconnaissance d'entité nommée personnalisée	Analyse du langage UiPath	Entraînement personnalisé	Disponibilité générale
Classification de texte clair	Analyse du langage UiPath	Entraînement personnalisé	Disponibilité générale
Classification de texte multilingue	Analyse du langage UiPath	Entraînement personnalisé	Disponibilité générale
Similitude sémantique	Analyse du langage UiPath	Pré-entraîné	Aperçu
Classification de textes multi-labels	Analyse du langage UiPath	Entraînement personnalisé	Aperçu
Modèle d'analyseur de TM	UiPath Task Mining	Entraînement personnalisé	Disponibilité générale
Modération d'image	Paquets Open Source - Analyse d'image	Pré-entraîné	S/O
Détection d'objets	Paquets Open Source - Analyse d'image	Entraînement pré-entraîné et personnalisé	S/O
Classification des textes anglais	Paquets Open Source - Analyse du langage	Entraînement personnalisé	S/O
Classification des textes français	Paquets Open Source - Analyse du langage	Entraînement personnalisé	S/O
Classification des textes japonais	Paquets Open Source - Analyse du langage	Entraînement personnalisé	S/O
Détection de la langue	Paquets Open Source - Analyse du langage	Pré-entraîné	S/O
NamedEntityRecognition	Paquets Open Source - Analyse du langage	Pré-entraîné	S/O
Analyse des sentiments	Paquets Open Source - Analyse du langage	Pré-entraîné	S/O
Classification de texte	Paquets Open Source - Analyse du langage	Entraînement personnalisé	S/O
Réponses aux questions	Paquets Open Source - Compréhension du langage	Pré-entraîné	S/O
Similitude sémantique	Paquets Open Source - Compréhension du langage	Pré-entraîné	S/O
Résumé de texte	Paquets Open Source - Compréhension du langage	Pré-entraîné	S/O
Traduction de l'anglais vers le français	Packages Open Source - Traduction de langues	Pré-entraîné	S/O
Traduction de l'anglais vers l'allemand	Packages Open Source - Traduction de langues	Pré-entraîné	S/O
Traduction de l'anglais vers le russe	Packages Open Source - Traduction de langues	Pré-entraîné	S/O
Traduction de l'allemand vers l'anglais	Packages Open Source - Traduction de langues	Pré-entraîné	S/O
TraducteurMultilingue	Packages Open Source - Traduction de langues	Pré-entraîné	S/O
Traduction du russe vers l'anglais	Packages Open Source - Traduction de langues	Pré-entraîné	S/O
Classification tabulaire TPOT	Paquets Open Source - Données tabulaires	Entraînement personnalisé	S/O
Régression tabulaire TPOT	Paquets Open Source - Données tabulaires	Entraînement personnalisé	S/O
Classification tabulaire XGBoost	Paquets Open Source - Données tabulaires	Entraînement personnalisé	S/O
Régression tabulaire XGBoost	Paquets Open Source - Données tabulaires	Entraînement personnalisé	S/O

Remarque : pour les modèles Document Understanding, consultez le guide Document Understanding.

Prêt à déployer

Exemples de packages pouvant être immédiatement déployés et ajoutés à un workflow RPA. Vous trouverez plus d'informations dans le produit

Modération d'image

Il s'agit d'un modèle de modération de contenu d'image basé sur une architecture d'apprentissage profond communément appelée Inception V3. À partir d'une image, le modèle produira l'une des quatre catégories « explicite », « dessin explicite », « neutre » et « pornographique » avec un score de confiance normalisé pour chaque probabilité de catégorie.

Il est basé sur l'article « Rethinking the Inception Architecture for Computer Vision » de Szegedy et d'autres, qui a été publié en open source par Google.

Analyse des sentiments

Ce modèle prédit le sentiment d'un texte en langue anglaise. Il a été publié en open source par Facebook Research. Les prédictions possibles sont "Très Négative(Very Negative), "Négative (Negative)", "Neutre (Neutral)", "Positive (Positive)", "Très Positif (Very Positive)". Le modèle a été formé sur les données d'examen des produits Amazon. Par conséquent, les prédictions du modèle peuvent avoir des résultats inattendus pour différentes distributions de données. Un cas d'utilisation courant consiste à acheminer du contenu en langage non structuré (par ex. des e-mails) en fonction du sentiment du texte.

Il est basé sur le document de recherche « Bag of Tricks for Efficient Text Classification » de Joulin et d'autres auteurs.

Réponses aux questions

Ce modèle prédit la réponse à une question d'un texte en anglais sur la base d'un contexte de paragraphe. Il a été publié en open-source par ONNX. Un cas d'utilisation courant est le KYC ou le traitement des rapports financiers où une question commune peut être appliquée à un ensemble standard de documents semi-structurés. Il est basé sur le modèle de pointe BERT (Bidirectionnel Encoder Representations from Transformers). Le modèle applique Transformers, un modèle d'attention populaire, à la modélisation du langage pour produire un codage de l'entrée, puis s'entraîne à la tâche de réponse aux questions.

Il est basé sur le document de recherche « BERT : Pre-training of Deep Bidirectional Transformers for Language Understanding ».

Identification de la langue

Ce modèle prévoit la langue d'une entrée de texte. Les prévisions possibles s'effectuent parmi les 176 langues suivantes :

Langues

af als am an ar arz as as 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 fr frr fy ga gd gl gn gom gu gv he salut hif hr hsb ht hu hy ia id ie ilo io est-ce ja jbo jv ka kk km kn ko krc ku kv kw ky la lb lez li lmo lo lrc lt lv mai mg mhr min mk ml mn mr mrj ms mt mwl myv mzn nah nap nds ne new nl nn no oc or os pa pam pfl pl pms pnb ps pt 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 tyv ug uk ur uz vec vep vi vls vo wa war wuu xal xmf yi yo yue zh

Il a été publié en open source par Facebook Research. Le modèle a été formé à partir des données de Wikipedia, Tatoeba et SETimes utilisées sous la licence Creative Commons Attribution-Share-Alike 3.0. Un cas d'utilisation courant consiste à acheminer du contenu en langage non structuré (par ex. e-mails) à un interlocuteur approprié en fonction de la langue du texte.

Il est basé sur le document de recherche « Bag of Tricks for Efficient Text Classification » de Joulin et d'autres auteurs.

TraducteurMultilingue

Ce modèle fournit une traduction directement entre n'importe quelle paire de plus de 200 langues. Vous pouvez trouver la liste complète des langues et le code correspondant pour chacune d'entre elles ici.

Il s’agit de l’intégration HuggingFace du modèle Open Source Aucune langue laissée en open source par Meta AI Research. Le modèle a été publié sous la licence suivante : Licence.

Description de l'entrée

L'entrée du modèle est un fichier JSON avec trois clés :

• text: le texte à traduire.
• from_lang: le code de langue du texte à traduire.
• to_lang: le code de langue du texte ciblé.

Par exemple :

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

Description de la sortie

Le modèle renvoie le texte traduit dans la langue ciblée :

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

Anglais vers français

Il s'agit d'un modèle de traduction automatique de séquence à séquence qui traduit de l'anglais vers le français. Il a été publié en open source par Facebook AI Research (FAIR).

Il est basé sur l'article « Convolutional Sequence to Sequence Learning » de Gehring et d'autres auteurs.

Anglais vers allemand

Il s'agit d'un modèle de traduction automatique de séquence à séquence qui traduit de l'anglais vers l'allemand. Il a été publié en open source par Facebook AI Research (FAIR).

Il est basé sur l'article « Facebook FAIR's WMT19 News Translation Submission » par Ng, et d'autres auteurs.

Allemand vers anglais

Il s'agit d'un modèle de traduction automatique de séquence à séquence qui traduit de l'anglais vers le russe. Il a été publié en open source par Facebook AI Research (FAIR).

Il est basé sur l'article « Facebook FAIR's WMT19 News Translation Submission » par Ng, et d'autres auteurs.

Anglais vers russe

Il s'agit d'un modèle de traduction automatique de séquence à séquence qui traduit de l'anglais vers le russe. Il a été publié en open source par Facebook AI Research (FAIR).

Il est basé sur l'article « Facebook FAIR's WMT19 News Translation Submission » par Ng, et d'autres auteurs.

Russe vers anglais

Il s'agit d'un modèle de traduction automatique de séquence à séquence qui traduit de l'anglais vers le russe. Il a été publié en open source par Facebook AI Research (FAIR).

Il est basé sur l'article « Facebook FAIR's WMT19 News Translation Submission » par Ng, et d'autres auteurs.

NamedEntityRecognition

Ce modèle renvoie une liste d'entités reconnues dans le texte. Les 18 types d'entités nommées reconnus utilisent la même classe de sortie que dans OntoNotes5, qui est couramment utilisée pour l'analyse comparative de cette tâche dans le milieu universitaire. Le modèle est basé sur l'article « Approaching Nested Named entity reconnaissance with parallel LSTM-CRFs » de Borchmann et d'autres auteurs, 2018.

Les 18 classes sont les suivantes :

Entité	Description
Personne	Les personnes, y compris fictives.
NORP	Nationalités ou groupes religieux ou politiques.
FAC	Bâtiments, aéroports, autoroutes, ponts, etc.
ORG	Entreprises, agences, institutions, etc.
GPE	Pays, villes, états.
LOC	Emplacements d'entités non-géopolitiques, chaînes de montagnes, plans d'eau.
Produit	Objets, véhicules, aliments, etc. (pas de services)
Événement (Event)	Ouragans nommés, batailles, guerres, événements sportifs, etc.
WORK_OF_ART	Titres de livres, chansons, etc.
LAW	Documents nommés transformés en lois.
Langue	Toute langue nommée.
Date	Dates ou périodes absolues ou relatives.
HEURE	Durées inférieures à une journée.
PERCENT	Pourcentage, y compris « % ».
MONEY	Valeurs monétaires, y compris l'unité.
Quantité	Mesures, comme le poids ou la distance.
ORDINAL	« premier », « deuxième », etc.
CARDINAL	Chiffres qui ne relèvent pas d'un autre type.

Re-trainable

Des exemples de packages qui peuvent être entraînés en ajoutant des données au stockage AI Center et en démarrant un pipeline, plus de modèles peuvent être trouvés dans le produit.

Classification des textes anglais

Il s'agit d'un modèle générique et réentraînable pour la classification en anglais. Les cas d'utilisation courants sont la classification des e-mails, la classification des tickets de service, l'analyse de sentiments personnalisée, entre autres. Voir Classification des textes anglais pour plus de détails.

Classification des textes français

Il s'agit d'un modèle générique et réentraînable pour la classification en français. Les cas d'utilisation courants sont la classification des e-mails, la classification des tickets de service, l'analyse de sentiments personnalisée, entre autres. Voir Classification des textes français pour plus de détails.

Classification de texte multilingue

Il s'agit de la version préliminaire d'un modèle générique et réentraînable pour la classification de texte. Il prend en charge les 100 principales langues Wikipedia répertoriées ici. Ce package ML doit être entraîné ; s'il est déployé sans entraînement préalable, le déploiement échouera en présentant une erreur indiquant que le modèle n'a pas été entraîné. Il est basé sur BERT, une méthode auto-supervisée pour le pré-entraînement des systèmes de traitement des langages naturels. Un GPU est recommandé surtout pendant l'entraînement. Un GPU permet d'améliorer la vitesse de 5 à 10 fois.

Reconnaissance d'entité nommée personnalisée

Ce modèle d'aperçu vous permet d'apporter votre propre ensemble de données balisé avec les entités que vous souhaitez extraire. Les ensembles de données de formation et d'évaluation doivent être au format CoNLL.

Classification tabulaire AutoML - TPOT

Il s'agit d'un modèle générique et réentraînable pour la classification des données tabulaires (par ex. csv, excel). Autrement dit, si une table de colonnes et une colonne cible sont indiquées, il trouvera un modèle pour ces données. Voir Classification TPOT AutoML pour plus de détails.

Classification tabulaire - TPOT XGBoost

Il s'agit d'un modèle générique et réentraînable pour la classification des données tabulaires (par ex. csv, excel). Autrement dit, si une table de colonnes et une colonne cible sont indiquées, il trouvera un modèle (basé sur XGBoost) pour ces données. Voir la classification TPOT XGBoost,