推理处理

当您通过 内容 UI 创建索引时，还会创建一组默认的摄取管道，其中包括 ML 推理管道。ML 推理管道 使用推理处理器来分析字段并使用输出来丰富文档。推理处理器使用 ML 训练模型，因此您需要使用内置模型或 在您的集群中部署训练模型 才能使用此功能。

本指南重点介绍 ML 推理管道、其用途以及如何管理它。

自然语言处理 (NLP) 允许开发人员创建超出词法搜索标准的丰富搜索体验。以下是通过使用 NLP 模型来改进搜索体验的一些示例

使用 Elastic 的 ELSER 机器学习模型，您可以轻松地为查询添加文本扩展。其工作原理是在摄取时使用 ELSER 为文档提供语义增强，并结合 Elastic 搜索应用程序模板 的强大功能，在查询时提供自动文本扩展。

最常用于从文本中检测诸如人、地点和组织信息等实体，NER 可以用于从文本中提取关键信息，并根据该信息对结果进行分组。体育新闻媒体网站可以使用 NER 自动提取其文章中专业运动员、体育场和运动队的名字，并链接到赛季统计数据或时间表。

文本分类 通常用于情感分析，也可用于类似的任务，例如将公共论坛中的内容标记为包含仇恨言论，或者对支持请求进行分流和标记，使其自动达到正确的升级级别。

使用 文本嵌入 模型分析文本字段将生成文本的 密集向量 表示形式。这个数值数组编码了文本的语义含义。将相同的模型与用户的搜索查询一起使用将生成一个向量，然后该向量可用于搜索，根据向量相似性（语义相似性）而不是传统的词或文本相似性对结果进行排名。

一个常见的用例是用户搜索常见问题解答，或支持代理搜索知识库，其中语义相似的内容可能会以措辞上的相似性很少的方式进行索引。

下图显示了文档在摄取期间的处理方式。

此功能旨在使您更容易使用 ML 训练模型。首先，您需要确定哪个模型最适合您的数据。请确保使用 兼容的第三方 NLP 模型。由于这些模型是公开可用的，因此在 部署它们 之前无法对模型进行微调。

训练模型必须在当前的 Kibana 空间中可用并运行才能使用它们。默认情况下，模型应该在所有启用了 分析 > 机器学习 功能的 Kibana 空间中可用。要管理您的训练模型，请使用 Kibana UI 并导航到 Stack Management → Machine Learning → 训练模型。可以在 空间 列中控制空间。要停止或启动模型，请转到 Kibana 的 分析 菜单中的 机器学习 选项卡，然后单击 模型管理 部分中的 训练模型。

要创建特定于索引的 ML 推理管道，请转到 Kibana UI 中的 搜索 → 内容 → 索引 → <您的索引> → 管道。

如果只看到 ent-search-generic-ingestion 管道，则需要单击 复制并自定义 来创建特定于索引的管道。这将创建 {index_name}@ml-inference 管道。

一旦您的特定于索引的 ML 推理管道准备就绪，您就可以添加使用 ML 训练模型的推理处理器。要向 ML 推理管道添加推理处理器，请单击 机器学习推理管道 卡中的 添加推理管道 按钮。

在这里，您可以

添加到特定于索引的 ML 推理管道的推理处理器是普通的 Elasticsearch 管道。创建后，每个处理器都将具有 在 Stack Management 中查看 和 删除管道 的选项。从 内容 UI 中删除推理处理器会删除管道，并也会将其从特定于索引的 ML 推理管道中删除。

也可以通过 Stack Management → 摄取管道 在 Kibana 中查看、编辑和删除这些管道，就像所有其他 Elasticsearch 摄取管道一样。您也可以使用 摄取管道 API。如果您在 Kibana 的 内容 UI 之外删除任何这些管道，请确保编辑引用它们的 ML 推理管道。

您可以在 测试 选项卡下创建机器学习推理管道时，在索引任何文档之前验证推理输出的预期结构。提供一个示例文档，单击 模拟，然后在结果中查找 ml.inference 对象。

为了确保在摄取文档时将运行 ML 推理管道，您必须确保您正在摄取的文档具有名为 _run_ml_inference 且设置为 true 的字段，并且您必须将管道设置为 {index_name}。对于连接器和爬网程序索引，如果您已为管道名称 {index_name} 正确配置了设置，则会自动发生这种情况。要管理这些设置