抽出データを生成する

注: 前提条件。パフォーマンス指標/警告がなくユース ケースに適した適合率/再現率レベルのラベルを選択します。

1. 抽出の検証プロセスは、検証を通じてこれらの抽出のパフォーマンスを把握するために必要です。

   トレーニングする抽出データを決定します。Report (レポート) > Statement of Accounts (勘定書) を、トレーニングするスキーマの例として使用します。

   このプロセスを自動化するには、次のデータ ポイントを抽出して下流のシステムに入力します​。

   
   

   

   
   
   注: これは、[探索] でトレーニングしている場合にのみ当てはまることです。[トレーニング] では、抽出トレーニング バッチをクリックすると、抽出データが事前に読み込まれます​。

   必要に応じてこのトレーニング モードを使用して、各抽出のトレーニング例 (つまり、ラベルに割り当てられた一連のフィールド) の数を 25 以上に増やし、モデルが抽出のパフォーマンスを正確に推定できるようにします。

   重要:

   Preview LLM を使用する場合は、各フィールドの例が 25 個になったら、それ以上例にアノテーションを行うのを止めることをお勧めします。コンテキスト内学習と検証には 25 個で十分であり、例を増やしてもパフォーマンスは向上しません。

2. [探索] > [ラベル] に移動し、抽出データを生成するラベルを選択します。
   
   

   

   
   
3. [抽出データを予測] を選択します。[抽出データを予測] では、[探索] でページごとに抽出データが生成されます (つまり、指定したページのすべてのコメントに予測が適用されます)​。
   注: 次のページに移動するたびに、再度 [抽出データを予測] を選択する必要があります。​

   個別のコメント レベルで抽出データを生成することもできます。[フィールドのアノテーションを行う]、[抽出データを予測] アイコンの順に選択します​。

   
   

   

   
   
   抽出データを予測するとどうなりますか?
   • このモデルでは、生成 AI モデルを使用し、(抽出スキーマで) 以前に定義した各データ ポイントをマッピングして、それらを意図 (ラベル) に関連付けます。​
   • それらデータ ポイントを抽出して構造化されたスキーマで返し、SME が確認できるようにします。
   • 構造化スキーマは、より複雑なオートメーションを可能にすることを意図したものであり、下流のオートメーションで使用できるよう API 内で JSON 形式で構造化されています。​
4. 抽出予測を行った後、モデルがコメントの抽出されたフィールドを取得すると、テキスト内の関連する範囲が強調表示されます (該当する場合)。モデルの右側に抽出された値が表示されます。予測値の検証方法については、「抽出データを検証してアノテーションを行う」をご覧ください。
   
   

   

   
   
   ​