- 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
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automatisierungs- und Communications Mining
- Lizenzierungsinformationen
- Häufige Fragen und mehr
Discover
Benutzerberechtigungen erforderlich: „Quellen anzeigen“ UND „Beschriftungen anzeigen“.
- Zum einen hilft er Ihnen, interessante Cluster von Meldungen zu entdecken . Cluster sind Themen von Nachrichten, die von der Plattform als gemeinsame Absichten oder Konzepte identifiziert wurden.
Wenn Daten hochgeladen werden, nutzt die Plattform Unattended Learning (d. h. sie liest und interpretiert die Daten ohne menschliches Training), um diese Cluster ähnlicher Meldungen automatisch zu erkennen und in der GUI zu präsentieren. Diese Funktion erleichtert und beschleunigt das Erkennen neuer Absichten und das Anwenden von Beschriftungen und ist in der Regel der erste Schritt im Modelltrainingsprozess.
Nachdem ein beträchtlicher Teil des Trainings abgeschlossen oder eine beträchtliche Datenmenge zum Dataset hinzugefügt wurde, trainiert Discover erneut und präsentiert Ihnen neue Cluster von nicht überprüften Meldungen. Wenn Discover erneut trainiert wird, wird die vorhandene Taxonomie berücksichtigt, um Ihnen neue Cluster zu präsentieren, die für Sie weiterhin interessant sind.
- Zweitens ermöglicht Discover den Benutzern, Nachrichten in großen Mengen oder einzeln zu kommentieren , indem sie entweder die Funktion „Cluster“ (oben erläutert) oder die Funktion „Suche“ verwenden. Da die Nachrichten in jedem Cluster ähnliche Absichten und Konzepte enthalten sollten, ist die Funktion für Massenanmerkungen ein hilfreiches Tool, um das Modell schnell zu trainieren.
Mit der Suchfunktion können Sie nach wichtigen Begriffen oder Ausdrücken suchen, von denen Sie wissen, dass sie für bestimmte Bezeichnungen relevant sind, die Sie erfassen möchten.
Seite entdecken
