Comment sauvegarder des résultats intermédiaires de pré-analyse pour optimiser les performances ?

Persistance du Parsing pour l'Analyse LITI

Le paramètre parseTableOut spécifie une table CAS de sortie pour contenir les documents d'entrée pré-analysés. Il est facultatif et peut être utilisé pour enregistrer les résultats intermédiaires et ainsi améliorer la performance de l'action applyConcept, surtout lorsque l'opérateur CLAUS_n est utilisé dans le modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). LITI. Le nom de cette table est ensuite utilisé comme valeur du paramètre parseTableIn lors d'un appel ultérieur de l'action applyConcept. Ne spécifiez pas les paramètres parseTableIn et parseTableOut dans le même appel de l'action applyConcept. Pour plus de détails, consultez le paramètre commun casouttable.

Schéma : Comment sauvegarder des résultats intermédiaires de pré-analyse pour optimiser les performances ?

Exemples pour l'action applyConcept

Application du modèle de concept de base
Schéma conceptuel de l'exemple : Application du modèle de concept de base

Cet exemple illustre l'extraction d'entités via l'action applyConcept. Sans paramètre model, le moteur NLP déploie son modèle LISI natif pour isoler types d'entités et faits structurés.

Extraction avancée avec filtrage de concepts et optimisation mémoire
Schéma conceptuel de l'exemple : Extraction avancée avec filtrage de concepts et optimisation mémoire

Cet exemple optimise l'action applyConcept : segmentation par chunks de 16 Ko, filtrage sélectif via dropConcepts et traçabilité des règles avec ruleMatchOut pour un scoring haute précision.