モデルを使用した予測の作成
モデルの試行
-
次の cURL コマンドの <TOKEN> を自分のトークンに、<MODEL_ID> をモデル ID に置き換えます。コマンドラインウィンドウでコマンドを実行します。
curl -X POST -H "Authorization: Bearer <TOKEN>" -H "Cache-Control: no-cache" -H "Content-Type: multipart/form-data" -F "modelId=<MODEL_ID>" -F "document=I'd like to buy some shoes" https://api.einstein.ai/v2/language/intent
要求の document パラメータには分類する文字列が含まれます。ここではすぐにテストしますが、Einstein Language を Cloud Kicks に実装するときには、分類する文字列はユーザがサービス要求フォームに入力したテキストになります。
API 応答は次の JSON のようになります。モデルは、要求が sales opportunity (販売機会) であると予測しています。{ "probabilities": [ { "label": "Sales Opportunity", "probability": 0.99844366 }, { "label": "Shipping Info", "probability": 0.0011946243 }, { "label": "Order Change", "probability": 0.00032401472 }, { "label": "Password Help", "probability": 0.000036838523 }, { "label": "Billing", "probability": 7.9345693e-7 } ], "object": "predictresponse" }
結果の解釈
予測応答から、予測実行時に表示ラベルがどのような役割を果たすかを確認できます。モデルは入力テキストを取り込み、各表示ラベルに関連付けられたデータに基づいて分類します。応答では、表示ラベル値 Sales Opportunity (販売機会) の probability (確度) 値は 0.9540156 です。この場合、モデルは、要求が販売機会である確度は 95% であると示しています。
Cloud Kicks の Web サイト開発者は、このモデル結果を使用してサービス要求を適切なメールアドレスに転送します。開発者は、最も高い確度に基づいて要求を転送するコードを作成します。そのため、この要求は営業部門に転送されます。
各 probability 値は常に 0 ~ 1 の数値です。デフォルトでは、API はモデルのすべての表示ラベルを返します。表示ラベルごとに、API は、その表示ラベルにテキストが属する確度を返します。ただし、numResults 要求パラメータを使用して、返す表示ラベルの数を明示的に指定できます。
完了です! あなたは開発サイクルのすべてを終了し、モデルは準備できています。ただし、実際の機械学習の開発サイクルは反復型です。
モデルとその精度をテストしていくと、表示ラベルやデータの追加が必要であることが発見されるかもしれません。当初考慮していなかったテキストをユーザが入力し、データをモデルに追加する必要があることがわかるかもしれません。モデルにデータを追加し、精度をテストするにつれて、モデルを調整してより正確にすることができます。詳細は、「リソース」セクションの「Einstein Platform Services Developer Guide」(Einstein プラットフォームサービス開発者ガイド) を参照してください。
リソース
- 『Einstein Platform Developer Guide (Einstein プラットフォーム開発者ガイド)』の「Prediction for Intent (Intent の予測)」
- 『Einstein Platform Developer Guide (Einstein プラットフォーム開発者ガイド)』の「Get Model Metrics (モデル総計値の取得)」