Text NLP AI

Descrição

A etapa Text NLP AI executa sobre os seus dados uma de sete tarefas por linha, cada uma como um lote de chamadas estruturadas a um LLM (com uso forçado de ferramenta): Reconhecimento de entidades nomeadas, Marcação de classes gramaticais, Resumo, Classificação zero-shot, Extração de chave/valor, Prompt e Incorporação. Ela é executada como um job gerenciado do PlaidCloud (como ML: Treinar modelo e a Etapa de LLM), de modo que não disputa recursos com o restante do fluxo de trabalho.

Como cada tarefa é uma chamada real a um LLM, os resultados não são reproduzíveis bit a bit entre execuções — consulte Não determinismo.

Configuração

• Origem / Tabelas de saída — a tabela de entrada e a tabela em que os resultados são gravados.
• Coluna de texto (field) — a coluna que cada tarefa lê.
• Tarefa (task) — uma entre ner, pos, summary, zeroshot, keyvalue, prompt. A tarefa embed não está na lista de tarefas do formulário; defina-a com um assistente de IA ou pela API REST.
• Idioma (language) — o idioma do texto, repassado ao modelo. O padrão é en.
• Conexão de LLM (llm_connection_id) — uma conexão de LLM para Anthropic, OpenAI, Gemini, Azure OpenAI, Grok ou GitHub Models. Deixe em branco para usar o padrão do espaço de trabalho.
• Modelo (llm_model) — deixe em branco para usar o modelo padrão da conexão.
• Temperatura (temperature) — temperatura de amostragem opcional. Consulte Não determinismo: os modelos da geração atual a ignoram.
• Máximo de linhas (max_rows) — responde apenas às primeiras N linhas na ordem da origem. As demais ficam com a resposta vazia. Deixe em branco para todas as linhas.
• Tamanho do lote (batch_size) — linhas enviadas por chamada ao LLM, de 1 a 500. O padrão é 25. Um lote cuja resposta for truncada é dividido ao meio e tentado de novo, em vez de perder linhas.

Tarefas

Quatro tarefas retornam uma linha de saída por linha de entrada (preservam linhas); três retornam zero ou mais linhas por linha de entrada e levam as colunas identificadoras da origem (id_columns) para cada uma delas (expandem linhas).

Tarefa	Expansão	Colunas de saída	Campos específicos da tarefa
Reconhecimento de entidades nomeadas (ner)	Expande linhas	entity_text, entity_type	Tipos de entidade (entity_types) — a lista de tipos permitidos. Se ficar em branco, o padrão é people, organizations, locations, dates, quantities.
Marcação de classes gramaticais (pos)	Expande linhas	token, pos (marca universal de classe gramatical, por exemplo NOUN, VERB, ADJ)	Nenhum.
Resumo (summary)	Preserva linhas	summary	Summary Length (summary_length) — máximo de frases, de 1 a 20. O padrão é 3.
Classificação zero-shot (zeroshot)	Preserva linhas	label, score (0 a 1)	Campo de rótulo (label_field) — a coluna de origem que contém os rótulos candidatos de cada linha; sem ela, o modelo não tem o que escolher. Multi-Label (multi) — permite mais de um rótulo por linha (unidos com , ) em vez de escolher apenas o melhor.
Prompt (prompt)	Preserva linhas	answer, error	Prompt (prompt) — a instrução aplicada a todas as linhas, obrigatória. Campos de entrada (input_fields) — as colunas enviadas ao modelo com o prompt, como um registro por linha; em branco, envia a Coluna de texto.
Incorporação (embed)	Preserva linhas	embedding (uma matriz JSON de números), error	Nenhum. Defina com um assistente de IA ou pela API REST. Requer uma conexão compatível com OpenAI ou Azure OpenAI, e o Modelo da etapa deve nomear um modelo de incorporação, já que o padrão da conexão geralmente é um modelo de chat; uma conexão Anthropic é recusada porque não tem API de incorporações. Uma solicitação com falha mantém todas as linhas do seu lote, com embedding vazio e o motivo em error.
Pares chave/valor (keyvalue)	Expande linhas	key, value	Campo-chave (key_field) — a coluna de origem que contém as chaves candidatas a extrair de cada linha; deixe em branco para que o modelo encontre as chaves livremente. Fuzzy (fuzzy) — corresponde as chaves candidatas de forma aproximada em vez de exata.

Colunas de ID (id_columns) levam colunas identificadoras da tabela de origem para cada linha de saída de uma tarefa que expande linhas, para que você possa rastrear uma entidade ou um par extraído até o registro de origem. Uma coluna de ID não pode ter o mesmo nome de uma das colunas de saída da própria tarefa: nomear uma coluna de ID como entity_type em uma tarefa ner, por exemplo, é recusado ao salvar a etapa, com ID column ‘entity_type’ has the name of a column the ner task writes; rename or remove it.

A coluna error contém a mensagem da chamada que falhou para aquela linha. A tarefa Prompt serve para qualquer pergunta por linha que as outras tarefas não cobrem, como Classifique o sentimento desta avaliação. Os valores dos campos são enviados como dados, nunca como instruções ao modelo.

Na tarefa Prompt, Coluna de documento (content_field) nomeia uma coluna que contém o documento de cada linha em base64. A etapa então envia um documento por chamada. O documento vai ao provedor como imagem ou PDF quando o provedor aceita esse tipo e tamanho. Caso contrário, a etapa envia o texto da Coluna de texto alternativo (text_fallback_field), como um texto de OCR. Documentos inteiros saem do PlaidCloud para o provedor, portanto verifique se isso é aceitável para os seus dados. As linhas são enviadas uma de cada vez, então Tamanho do lote é ignorado. Se um lote falhar, suas linhas são mantidas com answer vazio e a etapa emite um aviso.

Salvar também é recusado sem uma tabela de origem (Source table is required.), ou com Tamanho do lote ou Summary Length fora dos intervalos acima.

Não determinismo (resultados baseados em LLM)

Cada tarefa é uma chamada real a um LLM, portanto os resultados podem variar entre execuções mesmo com entrada idêntica — não há garantia bit a bit, e isso é esperado, não um bug.

Temperatura expõe uma complicação adicional: os modelos da geração atual (Opus 4.7+, Sonnet 5+, Fable) rejeitam por completo uma temperatura de amostragem explícita. Se você definir uma, a etapa a tenta uma vez; a primeira rejeição é detectada, a execução recorre ao padrão do próprio servidor do modelo para o restante dos lotes, e o resultado da etapa traz uma observação informativa única em vez de falhar. Deixar a Temperatura em branco (o padrão) evita essa viagem de ida e volta e é a configuração recomendada nos modelos atuais.

Relacionados

• ML: Treinar modelo — ajusta um modelo em vez de chamar um LLM por linha.
• Etapa de LLM — uma chamada de LLM agêntica de formato livre, com acesso de leitura e gravação delimitado ao projeto, em vez de uma destas tarefas fixas por linha.
• Matriz de conversão do Alteryx — Named Entity Recognition, POS Tagger, Text Summary, Zero-shot Text Classification e Key/Value Pairs são todos convertidos para esta etapa.
• Migrar análises do Savant — os agentes Savant Infer e Vision são convertidos para a tarefa Prompt.