Desafio 14: Análise de Texto: Frases-Chave e Entidades
20-30 min | Custo: Gratuito | Domínio: Implementação no Azure AI Foundry (55-60%)
Habilidades do exame abordadas
- Identificar recursos e usos para extração de frases-chave
- Identificar recursos e usos para reconhecimento de entidades
- Identificar capacidades do serviço Azure AI Language
Visão geral
Análise de texto é o processo de extrair informações significativas de texto não estruturado. Duas capacidades fundamentais são extração de frases-chave e reconhecimento de entidades nomeadas (NER) — ambas disponíveis através do serviço Azure AI Language.
Extração de frases-chave identifica os principais pontos discutidos em um documento. Dado um parágrafo sobre uma avaliação de hotel, pode extrair "equipe simpática", "quartos limpos" e "ótima localização". Isso ajuda você a entender rapidamente sobre o que um documento trata sem ler o texto inteiro. Casos de uso comuns incluem sumarização de documentos, etiquetagem de conteúdo e indexação para busca.
Reconhecimento de entidades nomeadas identifica e categoriza entidades no texto — pessoas, lugares, organizações, datas, quantidades e mais. Por exemplo, na frase "A Microsoft foi fundada por Bill Gates em 1975 em Albuquerque", o NER identificaria "Microsoft" (organização), "Bill Gates" (pessoa), "1975" (data/hora) e "Albuquerque" (localização). Isso potencializa aplicações como extração automatizada de dados, classificação de conteúdo e construção de grafos de conhecimento.
Explorar
Tarefa 1: Entender a extração de frases-chave
A extração de frases-chave identifica os pontos mais importantes do texto. Revise estes exemplos:
| Texto de Entrada | Frases-Chave Extraídas |
|---|---|
| "A comida estava deliciosa e a equipe foi maravilhosa no restaurante perto da praia." | comida, equipe, restaurante, praia |
| "Os serviços de Azure AI fornecem modelos de machine learning pré-construídos para cenários comuns." | serviços de Azure AI, modelos de machine learning pré-construídos, cenários comuns |
| "O relatório de resultados trimestrais mostrou aumento de receita no mercado europeu." | relatório de resultados trimestrais, aumento de receita, mercado europeu |
Sua tarefa: Pense em um parágrafo do seu trabalho (um email, relatório ou documento). Quais frases-chave você esperaria que o serviço extraísse?
Tarefa 2: Explore o reconhecimento de entidades nomeadas
Navegue até o demo do Azure AI Language Studio: language.cognitive.azure.com
- Selecione Extract information → Named entity recognition
- Experimente o seguinte texto de exemplo:
"Em 15 de janeiro de 2024, a Contoso Ltd. anunciou um investimento de US$ 2,5 bilhões em sua sede em Seattle. A CEO Jane Smith disse que a expansão criaria 5.000 novos empregos."
Categorias de entidades esperadas:
| Entidade | Categoria | Subcategoria |
|---|---|---|
| 15 de janeiro de 2024 | DateTime | Date |
| Contoso Ltd. | Organization | — |
| US$ 2,5 bilhões | Quantity | Currency |
| Seattle | Location | City |
| Jane Smith | Person | — |
| 5.000 | Quantity | Number |
Tarefa 3: Compare frases-chave vs. entidades
Essas duas capacidades servem a propósitos diferentes:
| Capacidade | O que extrai | Melhor para |
|---|---|---|
| Extração de frases-chave | Conceitos e tópicos importantes | Entender sobre o que o texto trata |
| Reconhecimento de entidades | Coisas nomeadas específicas (pessoas, lugares, datas) | Extrair dados estruturados do texto |
Sua tarefa: Para a frase "O CEO da Microsoft, Satya Nadella, anunciou novos recursos de IA na conferência Build em Seattle em 21 de maio de 2024":
- Frases-chave seriam: CEO da Microsoft, Satya Nadella, novos recursos de IA, conferência Build, Seattle
- Entidades seriam: Microsoft (Org), Satya Nadella (Pessoa), Build (Evento), Seattle (Localização), 21 de maio de 2024 (DateTime)
Tarefa 4: Explore as categorias de entidades
O Azure AI Language reconhece muitas categorias de entidades. Consulte a documentação: Categorias de entidades no Azure AI Language
Categorias principais incluem:
- Person — Nomes de pessoas
- Location — Localizações físicas, entidades geográficas
- Organization — Empresas, instituições, agências
- DateTime — Datas, horários, durações
- Quantity — Números, porcentagens, moedas
- Event — Eventos históricos ou nomeados
- Product — Produtos físicos ou digitais
- Skill — Capacidades ou áreas de expertise
# Criar um recurso Azure AI Language (nível Free)
az cognitiveservices account create \
--name my-language-resource \
--resource-group myResourceGroup \
--kind TextAnalytics \
--sku F0 \
--location eastus
Conceitos-Chave
| Conceito | Definição |
|---|---|
| Extração de frases-chave | Identifica os principais pontos e conceitos importantes no texto |
| Reconhecimento de entidades nomeadas (NER) | Detecta e categoriza entidades nomeadas (pessoas, lugares, organizações, datas) no texto |
| Categoria de entidade | O tipo de classificação atribuído a uma entidade detectada (Person, Location, etc.) |
| Vinculação de entidades | Conecta entidades reconhecidas a entradas de base de conhecimento conhecidas (ex.: Wikipédia) |
| Azure AI Language | O serviço do Azure que fornece capacidades de análise de texto incluindo NER e frases-chave |
| Detecção de PII | Uma capacidade relacionada ao NER que identifica especificamente informações pessoalmente identificáveis |
Equívocos Comuns
| Equívoco | Realidade |
|---|---|
| Frases-chave e entidades são a mesma coisa | Frases-chave capturam conceitos/tópicos importantes; entidades identificam coisas nomeadas específicas com categorias |
| NER só funciona em inglês | O Azure AI Language suporta NER em muitos idiomas incluindo espanhol, francês, alemão, chinês e mais |
| Você precisa treinar um modelo para NER básico | NER pré-construído funciona imediatamente; NER personalizado só é necessário para tipos de entidade específicos de domínio |
| Extração de frases-chave entende significado | Usa padrões estatísticos para identificar frases importantes — não "entende" verdadeiramente o contexto |
| Reconhecimento de entidades é 100% preciso | A precisão depende do contexto, idioma e domínio; texto ambíguo pode produzir categorizações incorretas |
Verificação de Conhecimento
1. Uma empresa quer etiquetar automaticamente tickets de suporte ao cliente com os principais tópicos discutidos. Qual capacidade de análise de texto é mais apropriada?
2. Em qual categoria de entidade "Microsoft" seria classificada pelo reconhecimento de entidades nomeadas?
3. Qual é a principal diferença entre extração de frases-chave e reconhecimento de entidades nomeadas?
4. Um escritório de advocacia quer extrair automaticamente todos os nomes de pessoas, datas e valores monetários de contratos. Qual capacidade deve usar?
5. Qual serviço do Azure fornece tanto extração de frases-chave quanto reconhecimento de entidades nomeadas como capacidades pré-construídas?