- 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)
- Der Status des 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
Erkunden
Benutzerberechtigungen erforderlich: „Quellen anzeigen“ UND „Beschriftungen anzeigen“.
Auf der Seite „Erkunden“ können Sie ein Dataset suchen, überprüfen und filtern, um einzelne Meldungen und allgemeine Felder zu überprüfen und zu überprüfen. Sie können zur Seite „Erkunden“ navigieren, indem Sie in der oberen Navigationsleiste auf „Erkunden“ klicken.
Standardmäßig zeigt Explore die 20 neuesten Meldungen in einem Dataset im Modus „ Recent“ an. Sie können auf den Dropdownmodus-Selektor in der oberen linken Ecke der Seite klicken, um dies zu ändern.
Die verschiedenen Optionen, die Sie aus dem Dropdownmenü auswählen können, sind:
- Zuletzt verwendet – Zeigen Sie die 20 neuesten Nachrichten an
- Mischen – 20 zufällige Nachrichten anzeigen
- Teach – Zeigt 20 Meldungen an, bei denen die Plattform nicht sicher ist, wie sie kommentiert werden sollen
- Geringe Konfidenz – 20 Meldungen anzeigen, die nicht gut durch informative Bezeichnungsvorhersagen abgedeckt werden
- Neuausgleich – Zeigt 20 Meldungen an, die von den Trainingsdaten in Ihrem Dataset unterrepräsentiert werden
- Bezeichnung – 20 Nachrichten mit der ausgewählten Bezeichnung zugewiesen/vorhergesagt anzeigen (dies ist der Standardmodus, wenn eine Bezeichnung ausgewählt ist)
- Beschriftung überprüfen – Zeigen Sie 20 Nachrichten an, bei denen die ausgewählte Beschriftung möglicherweise falsch angewendet wird
- Fehlende Beschriftung – Zeigen Sie 20 Nachrichten an, bei denen möglicherweise die ausgewählte Beschriftung fehlt
Am unteren Rand der Seite können Sie klicken, um zur nächsten Seite von 20 Meldungen zu wechseln oder zu einer vorherigen Seite zurückzukehren.
In der Filterleiste auf der linken Seite der Seite (wie unten gezeigt) können Sie bestimmte Nachrichtengruppen finden.
Über diese Filterleiste können Sie filtern nach:
- Bestimmte Datumsbereiche (wählen Sie genaue Datumsangaben oder wählen Sie aus Optionen wie „letzte Woche, Monat, 90 Tage oder Jahr“)
- Überprüfte oder nicht überprüfte Nachrichten
- Nachrichten mit positiven oder negativen Stimmungsvorhersagen (wenn die Stimmung im Dataset aktiviert ist)
- Fügen Sie einen beliebigen Filter basierend auf den Metadateneigenschaften hinzu, die Ihren Nachrichten zugeordnet sind (klicken Sie auf „Neuen Filter hinzufügen“)
- Filtern Sie nach Nachrichten, für die bestimmte allgemeine Felder vorhergesagt oder zugewiesen wurden
- Nach Nachrichten filtern, für die eine bestimmte Bezeichnung oder Kombination von Bezeichnungen vorhergesagt wurde (weitere Informationen finden Sie im Artikel über erweiterte Vorhersagefilter )
Wenn Sie auf „Neuen Filter hinzufügen“ klicken, wird in der Dropdownliste eine vollständige Liste aller verfügbaren Eigenschaftsfilter angezeigt.
Diese werden natürlich nach Kategorien gruppiert und einige sind eindeutig für den Kommunikationstyp im Dataset, z. B E-Mail.
Die Eigenschaftskategorien, in denen Eigenschaften zusammen gruppiert werden, sind:
- Quelle – Dies wird nur angezeigt, wenn das Dataset mehr als eine Quelle enthält
- E-Mail – Diese sind spezifisch für einzelne E-Mails, z. B. wer sie gesendet hat
- Thread – Diese sind E-Mail-spezifisch und beziehen sich auf die Eigenschaften von E-Mail-Threads
- Anhang – Spezifisch für Nachrichten (hauptsächlich E-Mails) mit bestimmten Anhangseigenschaften.
- Benutzer – alle anderen Metadateneigenschaften, die mit jeder Nachricht hochgeladen (und nicht von der Plattform abgeleitet) werden
Links neben jeder Eigenschaft gibt ein Symbol den Eigenschaftstyp an, also eine Zahl oder eine Zeichenfolge. Für String-Benutzereigenschaften stellt die Plattform einen Beispielwert für den Mauszeiger bereit (siehe unten).
Wenn Sie einen Filter zu Metadatenfeldern mit einem String-Format hinzufügen, können Sie auswählen, welche Sie in Ihre Auswahl ein- oder ausschließen möchten (wie in den beiden folgenden Beispielen gezeigt):
Wenn Sie einen Filter zu Metadatenfeldern mit einem Zahlenformat hinzufügen, können Sie Mindest- oder Höchstwerte auswählen (wie unten gezeigt), um einen Bereich Ihrer Wahl zu erstellen:
Um einen angewendeten Filter zu entfernen, klicken Sie einfach auf das Papierkorbsymbol, das angezeigt wird, wenn Sie mit der Maus darauf zeigen (wie unten gezeigt), oder wählen Sie „Alle löschen“ oben in der Filterleiste aus, um alle angewendeten Filter zu entfernen .
Sie können die Beschriftungsfilterleiste verwenden, um nach Meldungen zu filtern, für die bestimmte Beschriftungen vorhergesagt wurden (oder nicht), entweder während des Modelltrainings oder beim Erkunden und Interpretieren Ihrer Daten. Weitere Informationen zur Funktionsweise finden Sie im Artikel über erweiterte Vorhersagefilter hier.
Mit den Schaltflächen oben in der Beschriftungsleiste können Sie zwischen der Anzeige aller Nachrichten, denen, denen Beschriftungen zugewiesen wurden, oder denen mit Vorhersagen (die nicht überprüft wurden) filtern. Die Symbole sind unten dargestellt und ändern ihre Farbe, wenn sie ausgewählt wird:
Wählen Sie Nachrichten mit zugewiesenen Beschriftungen aus | |
Wählen Sie Nachrichten aus, deren Beschriftungen vorhergesagt wurden |
Um die Auswahl des Filters aufzuheben, klicken Sie einfach erneut auf die Schaltfläche.
Wenn Sie keine der Schaltflächen auswählen, sondern nach einer Bezeichnung filtern, filtert die Plattform nach allen Nachrichten, die die Bezeichnung entweder angeheftet oder vorhergesagt haben, beginnend mit den überprüften Nachrichten zuerst.
Mit der Bezeichnungsfilterleiste und „+ Bezeichnungsfilter hinzufügen“ können Sie komplexe Kombinationen oder Ein- und Ausschlussfilter hinzufügen (d. h zeige mir Nachrichten mit X und Y vorhergesagt, aber nicht Z). Weitere Informationen zur Verwendung dieser Filter finden Sie hier im Artikel „Erweiterte Vorhersagefilter“.
Roter Trainingsindikator:
- Der rote Trainingsindikator ( hier für Erklärungen) neben einigen Beschriftungen hebt diejenigen hervor, die weitere Trainingsbeispiele erfordern, damit die Plattform die Leistung der Beschriftung genau auswerten kann
- Die Vollständigkeit des Kreises gibt an, wie viele weitere Beispiele benötigt werden. Je größer der rote Abschnitt, desto mehr Beispiele sind erforderlich
- Sobald Sie 25 beschriftete Beispiele haben, verschwindet der rote Kreis (je nach Komplexität der Beschriftung benötigen Sie jedoch möglicherweise mehr Beispiele, um genaue Vorhersagen zu erhalten).
- Sie sollten die Nachrichten überprüfen , um weitere Trainingsbeispiele zu finden.
Bei Datasets, die E-Mails enthalten, werden diese mit der E-Mail angezeigt, die der ausgewählten Sortierreihenfolge entspricht (z. B Label, Fehlendes Label usw.), aber mit einfachem Zugriff auf die anderen E-Mails, die sich im selben E-Mail-Thread befinden.
Im folgenden Beispiel sehen Sie, dass sich die sortierte E-Mail in einem Thread mit drei E-Mails befindet und dies die dritte E-Mail im Thread ist.
Wenn Sie auf das bidirektionale Pfeilsymbol unter dem Betreff klicken, können Sie den E-Mail-Thread erweitern, um Teilansichten der anderen E-Mails im Thread anzuzeigen, wie unten zu sehen ist:
Wenn Sie erneut auf eine der teilweise erweiterten E-Mails klicken, werden sie wie die ursprüngliche sortierte E-Mail vollständig erweitert, wie unten zu sehen ist: