Utilisation de la labellisation des données avec Human in the loop

La labellisation des données vous permet de télécharger des données brutes, d'annoter des données textuelles dans l'outil de labellisation (pour la classification ou la reconnaissance d'entités) et d'utiliser les données labellisées pour entraîner des modèles ML. En dehors de cela, vous pouvez utiliser la labellisation des données pour la validation humaine sur les sorties du modèle.

Un scénario courant est l'entraînement d'un modèle d'extracteur ou de classifieur. Lorsque la prédiction du modèle est inférieure à un seuil de confiance défini, ces données peuvent être envoyées à Action Center pour validation par un humain. Les données validées peuvent être utilisées pour réentraîner le modèle afin d'améliorer la confiance concernant les prédictions ultérieures du modèle.

Activation de la validation humaine

1. Utilisez l’activité Attendre la tâche externe et reprendre pour créer une tâche dans Action Center à partir de Studio.

2. Utilisez les activités Créer une tâche de labellisation et Créer une tâche externe pour convertir la sortie du modèle en format compatible avec la labellisation des données.

   La labellisation des données prend en charge les fichiers utilisant le format JSON. Le fichier JSON doit contenir un objet de données qui contient à son tour la structure configurée à l'étape précédente.

3. Envoyez la tâche à un humain pour la réviser. Une fois qu’un humain a examiné et terminé la tâche, l’ objet de tâche est mis à jour avec la sortie de la révision par un humain.

4. Convertissez Task Object dans un format que les modèles peuvent utiliser comme données d’entraînement.

5. Envoyez les données validées à un ensemble de données AI Center en tant que données d'entraînement à l'aide de l'activité Charger le fichier (Upload File).

6. Démarrez une exécution de pipeline à l'aide de l'ensemble de données téléchargé.

L'exemple de workflow termine l'ensemble du processus Human-in-the-loop en passant par les étapes suivantes : Données brutes > Labellisation des données > Entraînement de modèle ML > Déployer la compétence ML > Déclencheur d'humain dans la boucle sur les prédictions peu fiables > Réentraîner le modèle avec données validées pour améliorer les performances du modèle.

Vous pouvez utiliser cet exemple de workflow pour tester les séquences Human-in-the-loop. Cet exemple de workflow utilise la solution E-mail d'IA . Pour plus d'informations sur la configuration et l'utilisation du modèle d'e-mail d'IA, consultez la page Configurer l'IA d'e-mail .