- リリース ノート
- はじめる前に
- 基本情報
- プロジェクト
- データセット
- ML パッケージ
- パイプライン
- ML スキル
- ML ログ
- AI Center での Document Understanding
- 使い方
- 基本的なトラブルシューティング ガイド
すぐに使えるパッケージ
UiPath の AI Center™ には、すぐに使えるマシン ラーニング機能が多数用意されています。たとえば、Document Understanding が利用できます。また、AI Center には、UiPath が構築したモデルやオープンソース モデル (サービング専用で再トレーニング可能) が継続的に追加されています。
class、break、from、finally、global、None などの Python の予約語を含めることはできません。必ず別の名前を選択してください。なお、パッケージ名は class
<pkg-name> および import <pck-name> で使用されるため、前述の予約語は一例であり他の予約語も存在します。
[すぐに使えるパッケージ] セクションで提供されているパッケージを基に、独自のパッケージを作成できます。このリストからパッケージを選択すると、提供されているパッケージが複製され、任意のデータセットを使用してトレーニングできます。
次の手順を行います。
- データセットを作成します。データセットを構築する方法について詳しくは、「データセットを管理する」をご覧ください。
- [ML パッケージ] > [すぐに使えるパッケージ] に移動し、必要なパッケージを選択します。
- 必要な情報を入力します。
- パッケージ名
- パッケージ バージョンを選択
- 説明
- 入力の説明
- 出力の説明
- [提出] をクリックします。
各パッケージに必要な情報の詳細については、本ガイドの個々のページをご覧ください。
オープン ソース (OS) パッケージとは、UiPath のエンジニアからオープン ソース データ サイエンス コミュニティを通じて提供される、そのまますぐに使用できるパッケージです。Studio のワークフローで使用するには、以下に示すように、それらをあらかじめスキルとして AI Center にデプロイしておく必要があります。
このモデルは、英語で書かれたテキストのセンチメントを予測します。Facebook Research によりオープン ソース化されたモデルです。可能な予測は、「非常に否定的」、「否定的」、「中立」、「肯定的」、「非常に肯定的」のいずれかです。モデルは、Amazon の製品レビュー データを使用してトレーニングされたため、異なる分布のデータについては、予想外の予測結果となる可能性があります。一般的なユース ケースは、構造化されていない言語コンテンツ (電子メールなど) をテキストのセンチメントに基づいて転送する処理です。
Joulin 他による研究論文「Bag of Tricks for Efficient Text Classification」(効率的なテキスト分類のための各種手法) に基づいています。
このモデルは、英語で書かれた質問に対する回答を、何かしらの段落の文脈に基づいて予測します。ONNX によりオープン ソース化されたモデルです。一般的なユース ケースは、KYC や、財務レポートの処理です。一般的な質問を標準化された一連の半構造化文書に適用できる場合に適しています。最先端の BERT (Bidirectional Encoder Representations from Transformers) (Transformer による双方向のエンコード表現) に基づいています。このモデルは、広く使用されている注意モデル Transformer を言語モデリングに適用し、入力をエンコードしたうえで、質問回答のタスクに対するトレーニングを行います。
研究論文「BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding」(BERT: 言語理解のための深層双方向 Transformer のプリトレーニング) に基づいています。
このモデルは、テキスト入力の言語を予測します。以下の 176 の言語に対する予測が可能です。
|
言語 |
|---|
|
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 fr frr fy ga gd gl gn gom gu gv he hi hif hr hsb ht hu hy ia id ie ilo io is it 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 my 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 |
Facebook Research によりオープン ソース化されたモデルです。このモデルは、Creative Commons Attribution-Share-Alike License 3.0 の下で使用される、Wikipedia、Tatoeba、および SETimes のデータに基づいてトレーニングされました。一般的なユース ケースは、構造化されていない言語コンテンツ (電子メールなど) を、テキストに使用されている言語に基づいて適切な回答者に転送することです。
Joulin 他による研究論文「Bag of Tricks for Efficient Text Classification」(効率的なテキスト分類のための各種手法) に基づいています。
これは、英語をフランス語に翻訳する、seq2seq 機械翻訳モデルです。Facebook AI Research (FAIR) によりオープン ソース化されています。
Gehring 他による論文「Convolutional Sequence to Sequence Learning」(畳み込みシーケンス ツー シーケンス学習) に基づいています。
これは、英語をドイツ語に翻訳する、seq2seq 機械翻訳モデルです。Facebook AI Research (FAIR) によりオープン ソース化されています。
Ng 他による論文「Facebook FAIR's WMT19 News Translation Submission」(Facebook FAIR による WMT19 ニュース翻訳送信」に基づいています。
これは、英語をロシア語に翻訳する、seq2seq 機械翻訳モデルです。Facebook AI Research (FAIR) によりオープン ソース化されています。
Ng 他による論文「Facebook FAIR's WMT19 News Translation Submission」(Facebook FAIR による WMT19 ニュース翻訳送信」に基づいています。
これは、英語をドイツ語に翻訳する、seq2seq 機械翻訳モデルです。Facebook AI Research (FAIR) によりオープン ソース化されています。
Ng 他による論文「Facebook FAIR's WMT19 News Translation Submission」(Facebook FAIR による WMT19 ニュース翻訳送信」に基づいています。
