- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- 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
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Bezeichnungen, Entitäten 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 Beschriftung
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung zu „Verfeinern“
- 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 „Bezeichnung überprüfen“ und „Bezeichnung fehlen“
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Ausgleichs und Verwendung von „Neuausgleich“
- Wann das Training Ihres Modells beendet werden soll
- Definieren und Einrichten Ihrer Entitäten
- Grundlegendes zu Entitäten
- Welche vortrainierten Entitäten sind verfügbar?
- Aktivieren, Deaktivieren, Aktualisieren und Erstellen von Entitäten
- Entitätsfilterung
- Überprüfen und Anwenden von Entitäten
- Validierung für Entitäten
- Verbesserung der Entitätsleistung
- Erstellen von benutzerdefinierten Regex-Entitäten
- Verwenden von Analytics & Monitoring
- Automatisierungs- und Communications Mining
- Häufige Fragen und mehr
Verbesserung der Entitätsleistung
Benutzerberechtigungen erforderlich: „Überprüfen und Beschriften“.
Wie Trainingsbezeichnungen ist das Training von Entitäten ein Prozess, durch den ein Benutzer der Plattform beibringen, welche Entitäten auf eine bestimmte Nachricht mithilfe verschiedener Trainingsmodi angewendet werden.
Wie bei Beschriftungen sind die Modi „Teach “, „Check “ und „Missed “ verfügbar, um das Training und die Verbesserung der Leistung von Entitäten zu unterstützen. Sie können entweder 1) auf der Seite „Erkunden“ über die Trainings-Dropdownliste oder 2) durch Folgen aufgerufen werden die empfohlenen Aktionen auf der Registerkarte Entität der Seite Validierung.
Wenn eine bestimmte Entität eine Leistungswarnung aufweist, empfiehlt die Plattform die nächstbeste Aktion , die ihrer Meinung nach zur Behebung dieser Warnung beitragen wird, die in der Reihenfolge der Priorität aufgeführt ist. Dies wird angezeigt, wenn Sie eine bestimmte Entität aus der Taxonomie oder dem Diagramm „Alle Entitäten“ auswählen.
Die Vorschläge für nächste beste Aktionen dienen als Links , auf die Sie klicken können, um direkt zur Trainingsansicht zu gelangen, die die Plattform vorschlägt, um die Leistung der Entität zu verbessern. Die Vorschläge werden intelligent mit der Aktion mit der höchsten Priorität geordnet, um die Entität zuerst zu verbessern.
Dies ist das wichtigste Tool , das Ihnen hilft, die Leistung Ihrer Entitäten zu verstehen, und sollte regelmäßig als Leitfaden verwendet werden, wenn Sie versuchen, die Entitätsleistung zu verbessern.
Die folgende Tabelle fasst zusammen, wann die Plattform jeden Entitätstrainingsmodus empfiehlt:
| Entität lehren | Entität prüfen | Fehlende Entität |
|
- Zeigen Sie Vorhersagen für eine Bezeichnung an, bei der das Modell am unklarsten ist, ob sie zutrifft oder nicht Für Trainingsentitäten für nicht überprüfte Nachrichten |
Zeigt Meldungen an, bei denen die Plattform denkt, dass die Entität möglicherweise falsch angewendet wurde Für Trainingsentitäten auf überprüften Nachrichten, um zu versuchen, Inkonsistenzen zu finden und zu korrigieren |
Zeigt Nachrichten an, von denen die Plattform meint, dass sie die ausgewählte Entität möglicherweise fehlen Für Trainingsentitäten auf überprüften Nachrichten, um zu versuchen, Inkonsistenzen zu finden und zu korrigieren |
Durch die Verwendung von „Teach Entity“ wird die Entitätsleistung steigert, da das Modell neue Informationen über Nachrichten erhält, bei denen es unsicher ist, im Gegensatz zu denen, für die es bereits sehr sichere Vorhersagen hat.
Die Plattform empfiehlt „Entität lernen“, wenn:
- Neben einer Entität befindet sich eine Leistungswarnung (wie unten gesehen – wenn die min. 25 Beispiele wurden nicht angegeben)
- Die F1-Punktzahl für eine bestimmte Entität ist niedrig
- Es kann sein, dass der Kontext im Text für eine Entität nicht immer offensichtlich ist oder es viele Variationen innerhalb der Entitätswerte für einen bestimmten Typ gibt
Die Verwendung der Prüfentität hilft, Inkonsistenzen im überprüften Satz zu identifizieren und gleichzeitig das Verständnis des Modells für die Entität zu verbessern, indem sichergestellt wird, dass das Modell über korrekte und konsistente Beispiele verfügt, um Vorhersagen zu treffen. Dadurch wird der Rückruf einer Entität verbessert.
Die Plattform empfiehlt „Entität prüfen“, wenn:
- Die Wiedererkennung ist niedrig, aber die Genauigkeit ist hoch
- Die Vorhersagen, die die Plattform macht, sind sehr genau, aber oft, wenn die Entität angewendet wurde, werden diese Beispiele nicht erkannt
(Weitere Informationen zu Berechnungen für die Entitätsvalidierung finden Sie hier.)
Die Verwendung einer fehlenden Entität hilft dabei, Beispiele im überprüften Satz zu finden, die die ausgewählte Entität haben sollten, aber nicht. Dies hilft auch, teilweise beschriftete Meldungen zu identifizieren, die sich auf die Fähigkeit des Modells auswirken können, eine Entität vorherzusagen. Dadurch wird die Genauigkeit einer Entität verbessert und sichergestellt, dass das Modell über korrekte und konsistente Beispiele verfügt, aus denen Vorhersagen gemacht werden können.
Die Plattform empfiehlt „Verpasste Entität“, wenn:
- Es gibt eine hohe Wiedererkennung, aber eine geringe Genauigkeit
- Wir geben Entitäten häufig falsch an, aber wenn wir sie korrekt vorhersagen, erkennen wir viele der Beispiele, die vorhanden sein sollten
(Weitere Informationen zu Berechnungen für die Entitätsvalidierung finden Sie hier.)
