- 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
Generieren Ihrer Extraktionen
- Der Extraktionsvalidierungsprozess ist erforderlich, um die Leistung dieser Extraktionen über die Validierung zu verstehen.
Entscheiden Sie sich für die Extraktion, die Sie trainieren möchten. Wir verwenden „Bericht“ > „Kontoauszug “ als Beispiel für ein Schema, das wir trainieren möchten.
Um diesen Prozess zu automatisieren, extrahieren Sie die folgenden Datenpunkte zur Eingabe in ein nachgelagertes System:
Hinweis: Dies gilt nur, wenn Sie in Explore trainieren. Wenn Sie in „ Train“ auf einen Extraktionstrainings-Batch klicken, werden die Extraktionen vorab geladen.Verwenden Sie diesen Trainingsmodus nach Bedarf, um die Anzahl der Trainingsbeispiele für jede Extraktion (d. h. einen Satz von Feldern, die einer Bezeichnung zugewiesen sind) auf mindestens 25 zu erhöhen, sodass das Modell die Leistung der Extraktion genau schätzen kann.
- Wechseln Sie zu Erkunden , dann zu Beschriftung, und wählen Sie die Bezeichnung aus, für die Sie Extraktionen generieren möchten.
- Wählen Sie Extraktionen vorhersagen aus. Mit der Vorhersage von Extraktionen werden Extraktionen pro Seite im Analysefenster generiert (d. h. dies gilt für alle Kommentare auf einer bestimmten Seite).
Hinweis: Jedes Mal, wenn Sie zur nächsten Seite wechseln, müssen Sie Extraktionen vorhersagen erneut auswählen.
Sie können Extraktionen auch auf einzelnen Kommentarebenen generieren. Wählen Sie Felder mit Anmerkungen aus und dann das Symbol Extraktionen vorhersagen .
- Das Modell verwendet generative Modelle und ordnet jeden der Datenpunkte zu, die Sie zuvor definiert haben (in unserem Extraktionsschema), um sie mit einer Absicht (Bezeichnung) in Beziehung zu bringen.
- Es extrahiert und gibt sie in einem strukturierten Schema zurück, damit ein KMU sie durchgehen und bestätigen kann.
- Das strukturierte Schema soll komplexere Automatisierungen ermöglichen und ist in der API im JSON-Format strukturiert, damit es von allen nachgelagerten Automatisierungen genutzt werden kann.
- Wenn das Modell nach den Extraktionsvorhersagen Feldextraktionen für den Kommentar aufgenommen hat, wird der relevante Abschnitt im Text hervorgehoben (falls zutreffend). Das Modell zeigt den extrahierten Wert auf der rechten Seite an. Auf der Seite Validieren und Kommentieren von Extraktionen erfahren Sie, wie Sie die vorhergesagten Werte validieren.