A. 항목 추출을 위해 Vertex Al에 텍스트 데이터세트를 생성합니다. '성분'과 조리기구'라는 두 개의 항목을 생성하고 각 항목에 대해 최소 200개 예시에 라벨을 지정합니다. AutoML 항목 추출 모델을 학습하여 이러한 항목 유형의 발생을 추출합니다. 홀드아웃 데이터세트

B. Vertex Al에서 다중 레이블 텍스트 분류 데이터 세트 생성 테스트 데이터 세트를 생성하고 재료 및 조리기구에 해당하는 각 레시피에 레이블을 지정합니다. 다중 클래스 분류 모델을 훈련합니다. 홀드아웃 데이터 세트에서 모델 성능을 평가합니다.

C. Natural Language API의 엔터티 분석 방법을 사용하여 각 레시피에서 재료와 조리기구를 추출합니다. 미리 라벨이 지정된 데이터세트에서 모델 성능을 평가합니다.

D. 항목 추출을 위해 Vertex Al에 텍스트 데이터세트를 생성합니다. 다양한 재료와 조리기구가 있는 만큼 많은 항목을 생성합니다. AutoML 항목 추출 모델을 학습하여 해당 항목을 추출합니다. 홀드아웃 데이터세트에서 모델 성능을 평가합니다.

A. Natural Language API를 사용하여 지원 요청 분류

B. AutoML Natural Language를 사용하여 지원 요청 분류자를 구축합니다.

C. Al Platform에서 확립된 텍스트 분류 모델을 사용하여 전이 학습을 수행합니다.

D. Al Platform에 확립된 텍스트 분류 모델을 있는 그대로 사용하여 지원 요청을 분류합니다.

A. 단일 사용자 또는 그룹만 특정 인스턴스에 액세스할 수 있도록 AI Platform 노트북에 제한적인 IAM 권한을 설정합니다.

B. 각 데이터 과학자의 작업을 다른 프로젝트로 분리하여 각 데이터 과학자가 생성한 작업, 모델 및 버전에 해당 사용자만 액세스할 수 있도록 합니다.

C. 라벨을 사용하여 리소스를 설명적인 카테고리로 정리합니다. 사용자가 리소스를 보거나 모니터링할 때 라벨별로 결과를 필터링할 수 있도록 생성된 각 리소스에 라벨을 적용합니다.

D. AI Platform 리소스 사용량에 대한 정보를 캡처하기 위해 적절하게 필터링되는 Cloud Logging 로그용 BigQuery 싱크를 설정합니다. BigQuery에서 사용자를 사용 중인 리소스에 매핑하는 SQL 보기를 만듭니다.