- 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
Wartung
Erfahren Sie mehr über die Verwaltung von Kontingenten pro Mandant für Communications Mining™und den Prozess der veralteten Modellversion.
Alle Benutzer können Kontingente anzeigen, aber Sie benötigen die Berechtigung Mandantenadministrator, um Änderungen an Kontingenten anzufordern.
Auf der Seite Kontingente können Benutzer Kontingente anzeigen und verwalten, die für Communications Mining™ im aktuellen Mandanten erzwungen werden. Benutzer mit der Berechtigung Mandantenadministrator können einfach Erhöhungen oder Verringerungen der einzelnen Kontingente anfordern. Für bestimmte Kontingente werden Benutzer auch über den Benachrichtigungsdienst benachrichtigt, dass sie sich dem Limit nähern und eine Erhöhung anfordern sollten.
Beispiel zum Ändern des Grenzwerts für Kontingente:
- Wählen Sie das Symbol Kontingentlimit für Quellen bearbeiten aus den Zellen in der Endspalte der Tabelle aus.
- Es wird ein Popup angezeigt, in dem Sie den neuen Grenzwert mit den Pfeilen nach oben und unten festlegen können.
- Wählen Sie die Schaltfläche Aktualisieren aus, um die Änderungen zu speichern, oder Abbrechen, um das Popup zu schließen, ohne Änderungen zu übernehmen.
Benutzerberechtigungen erforderlich: Tenant Administrator.
Auf der Seite Veraltete Modelle werden alle Modellversionen für Datasets in Ihrem Mandanten angezeigt, die bald veraltet sein werden. Alle Produktions-Datasets verwenden neuere, verbesserte Modellversionen.
Es wird eine leere Seite erwartet, da dies bedeutet, dass kein Modell in Kürze veraltet sein wird.
Um optimale Funktionalität und Sicherheit zu gewährleisten, können ältere angeheftete Modellversionen (die mindestens 12 Monate alt sein werden) als veraltet gekennzeichnet werden.
Um einen reibungslosen Übergang zu gewährleisten, werden alle veralteten Modelle rechtzeitig gekennzeichnet. Sie finden Indikatoren für eine frühere Veraltung sowohl auf dieser Seite als auch auf der Seite „ Modelle “ des relevanten Datasets. Dieser proaktive Ansatz gibt Ihnen genügend Zeit, Ihre Arbeit ohne Unterbrechung anzupassen.
Nach der ersten Ankündigung haben Sie einen Übergangszeitraum von mindestens drei Monaten. Nach Ablauf dieses Zeitraums werden veraltete Versionen als nicht mehr unterstützt betrachtet. Folglich sind nicht unterstützte Versionen nicht über die API zugänglich.
Sie müssen die Anheftung veralteter Modellversionen aufheben, nachdem Sie eine neuere Modellversion innerhalb desselben Datasets angeheftet haben. Dies gewährleistet eine reibungslose Fortsetzung der Dienst- und API-Aufrufe während des Übergangs.
