- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder (früher Entitäten)
- Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Überprüfte und nicht überprüfte Nachrichten
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Verwaltung
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen Sie eine Datenquelle in der GUI
- Hochladen einer CSV-Datei in eine Quelle
- Ein neues Dataset erstellen
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern Sie die Einstellungen eines Datasets
- Löschen Sie Nachrichten über die Benutzeroberfläche
- Löschen Sie ein Dataset
- Löschen Sie eine Quelle
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Beschriftungen, allgemeinen Feldern und Metadaten
- Bezeichnungshierarchie und bewährte Methode
- Definieren Ihrer Taxonomieziele
- Analyse- vs. Automatisierungsanwendungsfälle
- Konvertieren Ihrer Ziele in Bezeichnungen
- Erstellen Ihrer Taxonomiestruktur
- Best Practices für den Taxonomieentwurf
- Ihre Taxonomie wird importiert
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung (NEU)
- Verstehen des Status Ihres Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- Wie funktioniert die Validierung?
- Verstehen und Verbessern der Modellleistung
- Warum kann eine Bezeichnung eine geringe durchschnittliche Genauigkeit haben?
- Training mit Beschriftung „Überprüfen“ und Beschriftung „Verpasst“.
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Abgleichs und Verwendung des Abgleichs
- Wann das Training Ihres Modells beendet werden soll
- Anheften und Taggen einer Modellversion
- Löschen eines angehefteten Modells
- Hinzufügen neuer Bezeichnungen zu vorhandenen Taxonomien
- Verwalten eines Modells in der Produktion
- Modell-Rollback
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automatisierungs- und Communications Mining
- Lizenzierungsinformationen
- Häufige Fragen und mehr
Hinzufügen neuer Bezeichnungen zu vorhandenen Taxonomien
Benutzerberechtigungen erforderlich: „Quellen anzeigen“ UND „Überprüfen und Kommentieren“.
Wenn Sie bereits über eine ausgereifte Taxonomie mit vielen überprüften Meldungen verfügen, erfordert das Hinzufügen einer neuen Beschriftung einiges zusätzliches Training, um sie an die restlichen Beschriftungen in der Taxonomie anzupassen.
Wenn Sie einer gut trainierten Taxonomie eine neue Bezeichnung hinzufügen, müssen Sie sicherstellen, dass sie auf zuvor überprüfte Nachrichten angewendet wird, wenn die Bezeichnung für sie relevant ist.
Ist dies nicht der Fall, hat das Modell effektiv gelernt, dass die neue Bezeichnung nicht für sie gelten sollte, und es wird Schwierigkeiten haben, die neue Bezeichnung zuverlässig vorherzusagen.
Je mehr überprüfte Beispiele im Dataset vorhanden sind, desto mehr Training ist beim Hinzufügen einer neuen Beschriftung erforderlich (es sei denn, es handelt sich um ein völlig neues Konzept, das Sie nicht in älteren Daten, sondern in viel neueren Daten finden).
Wichtige Schritte:
Erstellen Sie die neue Beschriftung , wenn Sie ein Beispiel finden, für das sie gelten soll
Suchen Sie nach anderen Beispielen, bei denen sie mit verschiedenen Methoden angewendet werden sollte :
- Sie können mithilfe der Suchfunktion in Discover nach wichtigen Begriffen oder Ausdrücken suchen, um ähnliche Instanzen zu finden. Auf diese Weise können Sie die Beschriftung in großen Mengen anwenden, wenn es viele ähnliche Beispiele in den Suchergebnissen gibt
- Oder Sie können im Analysefenster nach Schlüsselwörtern oder Ausdrücken suchen – dies ist möglicherweise eine bessere Methode, da Sie nach „Überprüften“ Nachrichten filtern können und die Suche im Analysefenster eine geschätzte Anzahl der Nachrichten zurückgibt, die mit Ihren Suchbegriffen übereinstimmen
- Sie können auch Beschriftungen auswählen, die Ihrer Meinung nach häufig neben Ihrer neuen Beschriftung erscheinen, und die angehefteten Beispiele für diese Beschriftung überprüfen, um Beispiele zu finden, bei denen Ihre neue Beschriftung angewendet werden sollte
- Sobald Sie einige angeheftete Beispiele haben, sehen Sie, ob sie im Modus „ Beschriftung“ vorhergesagt werden – wenn ja, fügen Sie weitere Beispiele in diesem Modus hinzu
- Wenn Sie schließlich in einem Dataset mit aktivierter Stimmung Anmerkungen abgeben und Ihre neue Beschriftung in der Regel entweder positiv oder negativ ist, können Sie auch zwischen positiver und negativer Stimmung wählen, wenn Sie sich überprüfte Beispiele ansehen (obligatorisch können Sie jedoch „Textsuche“ nicht mit der kombinieren Filter „Überprüft“ UND einen Stimmungsfilter)
Verwenden Sie dann„Verpasste Bezeichnung“ , um weitere Meldungen zu finden, bei denen die Plattform der Meinung ist, dass die neue Bezeichnung hätte angewendet werden müssen:
- Nachdem Sie einige Beispiele mit den oben genannten Methoden mit Anmerkungen versehen haben und das Modell Zeit zum erneuten Trainieren hatte, verwenden Sie die Funktion „ Verpasste Beschriftung“ im Analysefenster, indem Sie Ihre Beschriftung auswählen und dann im Dropdownmenü „Verpasste Beschriftung“ auswählen
- Dadurch werden Ihnen überprüfte Meldungen angezeigt, bei denen das Modell denkt, dass die ausgewählte Beschriftung in den zuvor überprüften Beispielen möglicherweise übersehen wurde
- In diesen Fällen zeigt das Modell die Beschriftung als Vorschlag an (wie im Beispiel unten gezeigt).
- Wenden Sie die Beschriftung auf alle Nachrichten an, von denen das Modell korrekterweise denkt, dass die Beschriftung auf diese angewendet werden sollte
- Trainieren Sie auf dieser Seite, bis Sie alle richtigen Beispiele mit Anmerkungen versehen haben. Dieser Modus zeigt Ihnen dann keine Beispiele mehr an, bei denen die Bezeichnung eigentlich gelten sollte
Überprüfen Sie dann, wie sich die neue Bezeichnung auf der Seite Validierung verhält (sobald das Modell Zeit hatte, die neuen Validierungsstatistiken erneut zu trainieren und zu berechnen) und sehen Sie, ob mehr Training erforderlich ist.