Usar o modelo para fazer uma previsão

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:
  • Usar a API do Einstein Intent para categorizar texto usando o modelo criado.
  • Explicar os resultados de previsão retornados pela API.

Testar seu modelo

Agora é a hora da verdade. Você criou o conjunto de dados, treinou esse conjunto para criar um modelo e agora está pronto para testá-lo. Teste o modelo enviando texto para ele e recebendo uma resposta.
  1. No comando cURL a seguir, substitua <TOKEN> pelo seu token e <MODEL_ID> pela ID do conjunto de dados. Em seguida, execute o comando na janela da linha de comando.
    Dica

    Dica

    Verifique se o treinamento do conjunto de dados foi concluído e se o modelo está pronto para uso. O processo de treinamento precisa ser concluído antes de se usar o modelo para fazer uma previsão.

    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

    Na solicitação, o parâmetro document contém a sequência de caracteres que você deseja classificar. Você está apenas fazendo um teste, mas ao implantar o Einstein Language no Cloud Kicks, a sequência de caracteres a ser classificada será o texto que o usuário inserir no formulário de solicitação de serviço.

    A resposta da API será mais ou menos como JSON a seguir. O modelo prevê que a solicitação é uma oportunidade de venda.
    {
  "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"
}

Interpretar os resultados

Na resposta de previsão, você pode ver como os rótulos funcionam ao fazer uma previsão. O modelo usa o texto de entrada e o classifica com base nos dados associados a cada rótulo. Na resposta, o valor do rótulo Oportunidade de venda tem um valor de probabilidade de 0.9540156. Nesse caso, o modelo tem 95% de certeza de que a solicitação é uma oportunidade de venda.

O desenvolvedor do site Cloud Kicks usa os resultados do modelo para direcionar a solicitação de serviço ao endereço de email correto. O desenvolvedor codifica para direcionar a solicitação com base na maior probabilidade. Assim, essa solicitação iria para o departamento de vendas.

Todo valor de probabilidade é sempre um número entre 0 e 1. Por padrão, a API retorna todos os rótulos no modelo. Para cada rótulo, a API retorna uma probabilidade de o texto pertencer a ele. No entanto, você pode especificar claramente o número de rótulos que deseja ver retornado usando o parâmetro de solicitação numResults.

Isso é tudo, pessoal! Você percorreu todo o ciclo de desenvolvimento e seu modelo está pronto. No entanto, no mundo real, o ciclo de desenvolvimento de aprendizagem de máquina é iterativo.

Conforme você vai testando o modelo e sua precisão, pode vir a descobrir que precisa adicionar rótulos ou dados. Talvez os usuários tenham transmitido texto do qual você não tinha conhecimento e seja necessário adicionar dados ao modelo. Conforme você vai adicionando dados ao modelo e testando a precisão, poderá ajustar o modelo para torná-lo mais exato. Para obter mais informações, confira o Guia do desenvolvedor dos serviços da Einstein Platform na seção de recursos.

Recursos