- 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
Modelle
Ein Machine-Learning-Modell ist im Wesentlichen eine mathematische Darstellung eines realen Prozesses. Zum Erstellen von Machine Learning-Modellen müssen Sie Machine Learning-Algorithmen mit Trainingsdaten bereitstellen, von denen sie lernen können.
Die Plattform verwendet eine Reihe von Machine-Learning-Modellen (sowohl überwacht als auch nicht überwacht), um Ihre Daten zu interpretieren, zu verstehen und Beschriftungen anzuwenden. Wir verwenden in unserer Plattform und unserer Dokumentation häufig den Begriff „Modell“, um gemeinsam auf diese Modelle zu verweisen, die hinter den Kulissen arbeiten.
Jedem Dataset ist ein „Modell“ zugeordnet, das trainiert wird, wenn Benutzer Nachrichten innerhalb der Plattform überprüfen. Während das Modell trainiert wird, lernt es und wird verbessert, sodass bessere Vorhersagen für Beschriftungen und allgemeine Felder getroffen werden können.
Modelle können gespeichert und versioniert werden. Das bedeutet, dass Benutzer, die einen Automatisierungsstream einrichten, eine bestimmte Version des Modells auswählen und sich auf die Leistung dieser Version für die jeweilige Bezeichnung verlassen können. Dies bietet Benutzern Determinität bei der Erstellung von Automatisierungen oder bei der Verwendung der Daten für Analysen in nachgelagerten Anwendungen. Weitere Informationen finden Sie im Abschnitt Modelle .