- 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
Modell-Rollback
Einleitung
Mit der Modell-Rollback-Funktion können wir zu einer früheren Version unseres Modells zurückkehren, sodass wir die Trainingsdaten (sowohl für Beschriftungen als auch für allgemeine Feldanmerkungen) auf die Anmerkungen zurücksetzen können, die zum Trainieren dieser Modellversion verwendet werden.
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.
Während das Modell zurückgesetzt wird, können wir das Dataset nicht ändern. Das bedeutet, dass wir unser Modell während dieses Zeitraums nicht trainieren und keine Beschriftungen oder allgemeinen Felder auf Nachrichten anwenden können. Oben wird ein Warnindikator angezeigt, der uns darüber informiert, dass das Modell derzeit zurückgesetzt wird.
Wenn wir versuchen, unser Dataset zu ändern, wird das folgende Banner in der unteren rechten Ecke unseres Bildschirms angezeigt und auf alle Nachrichten, die wir kommentieren versuchen, wird die Beschriftung oder das allgemeine Feld erst dann angewendet, wenn der Modell-Rollback abgeschlossen ist.
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.