- 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
Einführung in Verfeinerung
Die dritte Phase und der letzte Schritt des Trainingsprozesses heißt „Verfeinern “. Der Zweck dieser Phase ist es, die Leistung Ihres Modells zu verstehen und sie zu verfeinern, bis es wie erforderlich funktioniert. Dazu gehört die Verbesserung bestimmter Beschriftungen , die nicht wie erwartet funktionieren, um sicherzustellen, dass Sie alle relevanten Beschriftungskonzepte erfasst haben, und um sicherzustellen, dass Ihre Trainingsdaten ein ausgewogenes Abbild des Datasets als Ganzes sind.
Die Plattform ist so konzipiert, dass sie für die Benutzer in Bezug auf die Modellleistung völlig transparent ist und sehr flexibel, wenn es um die Verbesserung der Leistung in Bereichen geht, in denen dies erforderlich ist. Bei jedem Anwendungsfall möchten Sie sicher sein, dass Ihr Modell eine genaue Darstellung der Inhalte in Ihrem Dataset erfasst. Diese Phase des Trainings trägt dazu bei, dass dies der Fall ist.
In diesem Abschnitt der Wissensdatenbank werden die unten beschriebenen Schritte im Detail behandelt, beginnt jedoch mit detaillierten Erklärungen zu Präzision und Wiedererkennung, wie Validierung funktioniert und wie die verschiedenen Aspekte der Modellleistung zu verstehen sind.
Wichtige Schritte
Modellbewertung überprüfen – In diesem Schritt geht es darum, Ihre Modellbewertung in der Validierung zu überprüfen und zu sehen, wo die Plattform denkt, dass es Leistungsprobleme mit Ihrem Modell geben könnte, sowie eine Anleitung, wie diese behoben werden können. Dieser Abschnitt enthält Details zum Verständnis und zur Verbesserung der Modellleistung.
Beschriftungsleistung verfeinern – In diesem Schritt geht es um die Durchführung von Aktionen, die von der Plattform empfohlen werden, um die Leistung Ihrer Beschriftungen zu verbessern. Dazu gehören die Trainingsmodi „Bezeichnung überprüfen“ und „Verpasste Beschriftung“, die Ihnen helfen, potenzielle Inkonsistenzen in Ihren Anmerkungen zu beheben, sowie den Modus „Beschriftung lernen“ (weitere Details finden Sie hier in der Erkundungsphase ).
Abdeckung erhöhen – Dieser Schritt stellt sicher, dass so viel wie möglich von Ihrem Dataset von aussagekräftigen Bezeichnungsvorhersagen abgedeckt wird.
Ausgewogenheit verbessern – In diesem Schritt geht es darum, sicherzustellen, dass Ihre Trainingsdaten eine ausgewogene Darstellung des Datasets als Ganzes sind. Die Verbesserung der Ausgewogenheit im Dataset hilft, die Anmerkungsverzerrung zu reduzieren und die Zuverlässigkeit der getroffenen Vorhersagen zu erhöhen.