- 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
Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
Eine Bezeichnung ist eine strukturierte Zusammenfassung einer Absicht oder eines Konzepts, das in einer Nachricht zum Ausdruck kommt. Eine Nachricht wird oft durch mehrere Bezeichnungen zusammengefasst – d. h. eine Beschriftung ist keine sich gegenseitig ausschließende Klassifizierung der Nachricht.
Als Beispiel könnten wir in einem Dataset, das die Kundenerfahrung überwacht, eine Beschriftung mit dem Namen „Benachrichtigung über falsche Rechnungen“ erstellen, die beschreibt, wann ein Kunde das Unternehmen darüber informiert, dass er seiner Meinung nach eine falsche Rechnung erhalten hat.
Aktionen zum Erstellen und Bearbeiten von Beschriftungen werden hauptsächlich auf den Seiten Erkunden und Entdecken ausgeführt.
Angeheftet vs. Vorhergesagt
Beschriftungen werden zunächst von Benutzern erstellt, indem sie eine relevante Nachricht auf eine Nachricht anwenden. Benutzer können sie weiterhin anwenden, um Trainingsbeispiele für das Modell zu erstellen, und die Plattform beginnt dann, die Bezeichnung im gesamten Dataset automatisch vorherzusagen, wo sie relevant ist.
Eine Bezeichnung, die von einem Benutzer auf eine Nachricht angewendet wurde, gilt als „angeheftet“. Bezeichnungen, die die Plattform den Nachrichten zuweist, werden hingegen als Bezeichnungsvorhersagen bezeichnet. Weitere Informationen zu überprüften und nicht überprüften Nachrichten finden Sie hier .
Konfidenzniveaus
Wenn die Plattform vorhersagt, ob eine Bezeichnung für eine Nachricht gilt, die nicht von einem Benutzer überprüft wurde, bietet sie ein Konfidenzniveau (%) für diese Bezeichnungsvorhersage. Je höher das Konfidenzniveau, desto zuversichtlicher die Plattform, dass die Bezeichnung gilt.
Bezeichnungen werden durch das Konfidenzniveau, das die Plattform in den vorhergesagten Bezeichnungen hat, schattiert. Je undurchsichtiger die Bezeichnung, desto höher ist die Zuversicht der Plattform, dass die Bezeichnung zutrifft.
Bezeichnungshierarchie
Bezeichnungen können in einer hierarchischen Struktur organisiert werden, damit Sie neue Konzepte schneller organisieren und trainieren können.
Diese Hierarchie hat ein folgendes Format: [Übergeordnete Bezeichnung] > [Verzweigungsbezeichnung 1] > [Verzweigungsbezeichnung n] > [Untergeordnete Bezeichnung]
Eine Beschriftung kann eine eigenständige übergeordnete Beschriftung sein oder Verzweigungs- und untergeordnete Beschriftungen (getrennt durch „>“) haben, die Teilmengen der vorherigen Beschriftungen in der Hierarchie bilden.
Jedes Mal, wenn eine untergeordnete Bezeichnung oder Verzweigungsbezeichnung angeheftet oder vorhergesagt wird, betrachtet das Modell die vorherigen Ebenen in der Hierarchie ebenfalls als angeheftet oder vorhergesagt. Vorhersagen für übergeordnete Bezeichnungen haben in der Regel höhere Konfidenzniveaus als die niedrigeren Ebenen der Hierarchie, da sie oft leichter zu identifizieren sind.
Weitere Informationen zu Bezeichnungshierarchien finden Sie hier.
Beschriftungsstimmung
Bei Datasets mit aktivierter Stimmungsanalyse hat jede Beschriftung (sowohl angeheftet als auch vorhergesagt) eine zugeordnete positive oder negative Stimmung, die durch eine grüne oder rote Farbe angezeigt wird (z. B. die positiven Stimmungsvorhersagen unten).
Verschiedene Ebenen einer Beschriftungshierarchie können unterschiedliche Stimmungsvorhersagen haben – z. B. kann eine Bewertung für eine „Eigenschaft“ insgesamt positiv ausfallen, aber für „Eigenschaft > Standort“ negativ ausfallen.