Ignora esplorazione

Architettura della soluzione: Individuazione delle informazioni con Deep Learning ed elaborazione del linguaggio naturale

I siti di social network, i forum e altri servizi di Domande e risposte a elevato utilizzo di testo si basano in modo significativo sui tag, che consentono l'indicizzazione e le ricerche da parte degli utenti. Senza i tag appropriati, questi siti risultano molto meno efficaci. Spesso, tuttavia, i tag sono affidati alla discrezione degli utenti. Poiché gli utenti non hanno elenchi dei termini più ricercati o una comprensione dettagliata della classificazione o dell'architettura delle informazioni di un sito, le etichette dei post sono spesso errate. Ciò rende difficile o impossibile trovare tali contenuti in seguito, quando necessario.

Combinando le funzionalità di Deep Learning e di elaborazione in linguaggio naturale con i dati relativi ai termini di ricerca specifici dei siti, questa soluzione contribuisce a un miglioramento significativo della precisione dei tag nel sito. Quando gli utenti digitano i propri post, la soluzione propone i termini più usati come tag suggeriti, semplificando l'individuazione delle informazioni fornite da parte degli altri utenti.

Linee guida di implementazione

Prodotti/Descrizione Documentazione

Microsoft SQL Server

I dati vengono archiviati, strutturati e indicizzati tramite Microsoft SQL Server.

Macchina virtuale di data science di Azure basata su GPU

L'ambiente di sviluppo principale è Microsoft Windows Server 2016 GPU DSVM NC24.

Azure Machine Learning Workbench

Il workbench viene usato per la pulizia e la trasformazione dei dati ed è l'interfaccia principale per i servizi Sperimentazione e Gestione modelli.

Servizio Sperimentazione di Azure Machine Learning

Il servizio Sperimentazione viene usato per il training dei modelli, inclusa l'ottimizzazione di iperparametri.

Servizio Gestione modelli di Machine Learning

Il servizio Gestione modelli viene usato per la distribuzione del modello finale, incluso l'aumento del numero delle istanze in un cluster di Azure gestito da Kubernetes.

Jupyter Notebooks in una VM di data science di Azure

Jupyter Notebooks viene usato come IDE di base per il modello, sviluppato in Python.

Registro di sistema del contenitore di Azure

Il servizio Gestione modelli crea e inserisce in pacchetti servizi Web in tempo reale come contenitori Docker. Questi contenitori vengono caricati e registrati tramite il Registro contenitori di Azure.

Cluster del servizio contenitore di Azure

La distribuzione per questa soluzione usa il servizio contenitore di Azure che esegue un cluster gestito da Kubernetes. I contenitori vengono distribuiti da immagini archiviate nel Registro contenitori di Azure.