抽出データを生成する

前提条件

注:

パフォーマンス指標や警告がなくユース ケースに適した適合率または再現率レベルのラベルを選択します。

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 バッチを選択すると、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の数 (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 以上に増やします。これにより、モデルは抽出のパフォーマンスを正確に推定できます。

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。

手順

抽出データを生成するには、以下の手順に従います。

1. [探索] タブに移動します。

2. [ ラベル] を選択し、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。[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。

さらに、[ フィールドのアノテーションを行う]、[ 抽出データを予測] の順に選択して、個別のコメント レベルで抽出データを生成できます。詳しくは、「 抽出データを予測する」をご覧ください。

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。モデルのサイド パネル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、「 生成された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。

​

抽出データを予測する

このセクションでは、抽出データを予測した場合の動作について説明します。

• 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。​