- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- General fields (previously Entities)
- 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
- Understanding labels, general fields and metadata
- 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
- Defining and setting up your general fields
- Understanding general fields
- Which pre-trained general fields are available?
- Enabling, disabling, updating and creating general fields
- General field filtering
- Reviewing and applying general fields
- Validation for general fields
- Improving general field performance
- Building custom regex general fields
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automatisierungs- und Communications Mining
- Häufige Fragen und mehr
![](https://docs.uipath.com/_next/static/media/grid.05ebd128.png?w=3840&q=100)
Modell-Rollback
Einleitung
The model rollback feature allows us to revert back to a previous version of our model, allowing us to reset the training data (for both label and general field annotations) to the annotations used to train this model version.
Es ist wichtig, zu beachten, dass wir nur auf angeheftete Versionen von Modellen zurücksetzen können.
Erfahren Sie, wie Sie diese Funktion verwenden
Auf der Seite „Modelle“ ist das Modell-Rollback-Symbol für alle angehefteten Versionen unseres Modells verfügbar. Um mit dem Modell-Rollback fortzufahren, klicken Sie auf das Rollback-Symbol bei der Modellversion, auf die Sie zurücksetzen möchten.
Es ist wichtig, zu beachten, dass die aktuell trainierte Modellversion automatisch als Sicherung angeheftet wird, aber alle Anmerkungen, die von einer Modellversion erfasst wurden, die derzeit noch trainiert wird, verloren gehen.
Es wird empfohlen, die aktuelle Modellversion das Training beenden zu lassen, bevor Sie das Modell zurücksetzen. Ein Popup-Modul wird angezeigt, um uns daran zu erinnern, nachdem Sie auf die „Rollback“-Schaltfläche geklickt haben. Wenn wir fortfahren möchten, können wir auf die Schaltfläche „Zurücksetzen“ klicken.
While the model is rolling back, we will not be able to modify the dataset. This means that we will not be able to train our model during this time, and apply any labels or general fields to messages. A warning indicator will show up at the top, letting us know that the model is currently being rolled back.
If we try to modify our dataset, the following banner will appear in the bottom right corner of our screen, and any messages we try to annotate will not have the label or general field applied to it until the model rollback has complete.
Die Rollback-Funktion ist zwar dazu da, um auf eine frühere Version eines Modells zurückzusetzen, wenn wir größere Fehler in unserem Modell-Training gemacht haben, aber wir sollten uns nicht zu sehr darauf verlassen.
Stattdessen sollten wir sicherstellen, dass wir die richtige Modelltrainingsmethodik beim ersten Mal korrekt anwenden, da wir dadurch auf lange Sicht Zeit sparen.