- 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
Best Practice für Modelltraining und Anmerkungen
Bevor Sie mit dem Training Ihres Modells beginnen, ist es wichtig, die folgenden Tipps zu lesen und die häufigen Fehler zu vermeiden. Diese helfen, die Trainingszeit kürzer zu halten und die Leistung Ihres Modells zu verbessern.
Die drei wichtigsten Dinge, die Sie beim Training eines Communications Mining-Modells beachten sollten, sind:
Alle zutreffenden Beschriftungen hinzufügen: Denken Sie daran, alle Beschriftungen hinzuzufügen, die auf eine Nachricht zutreffen. Es kommt bei neuen Benutzern häufig vor, eine Nachricht teilweise zu kommentieren, indem sie nur diejenige anwenden, auf die sie sich konzentrieren, und vergessen, alle anderen zutreffenden hinzuzufügen. Das Nicht-Anwenden einer Beschriftung ist genauso effektiv wie das Anwenden einer – Sie teilen dem Modell mit, dass es sich bei der Nachricht nicht um etwas handelt und was sie ist. Daher ist es wichtig, alle Beschriftungen anzuwenden, da dies das Modell später verfälschen kann, was möglicherweise zu einer schlechteren Leistung führt.
Wenden Sie Beschriftungen konsistent an: Denken Sie daran, beim Hinzufügen von Beschriftungen konsistent zu sein. Wenn Sie beispielsweise die Beschriftung „Raum“ > „Größe“ zu einer Nachricht hinzufügen und vergessen, sie an einer anderen Stelle hinzuzufügen, an der sie hinzugefügt werden soll, führt dies zu Verwirrung im Modell. Wie im vorherigen Tipp oben, wenn Sie keine Beschriftung anwenden, ist die Anwendung genauso effektiv wie das Anwenden einer.
Kommentieren Sie, was Sie vor sich sehen: Machen Sie keine Annahmen, wenn Sie Ihr Geschäftswissen anwenden. Wenn nichts im Betreff oder Textkörper der Nachricht angibt, dass eine Bezeichnung angewendet werden sollte, wenden Sie sie nicht an, oder das Modell kann nicht verstehen, warum sie angewendet wird.
Zusätzliche Tipps:
Verbringen Sie nicht Ewigkeiten mit der Entscheidung von Beschriftungsnamen: Denken Sie nicht zu lange über den richtigen Namen für eine Beschriftung nach. Sie können eine Bezeichnung während des Trainingsprozesses jederzeit umbenennen.
Seien Sie beim Benennen einer Bezeichnung spezifisch: Seien Sie bei der Benennung einer Bezeichnung so spezifisch wie möglich und halten Sie die Taxonomie anfangs so flach wie möglich. Es ist besser, mit dem Beschriftungsnamen zu Beginn so spezifisch wie möglich zu sein, da Sie die Hierarchie später jederzeit ändern und neu strukturieren können.
Wenn Sie beispielsweise eine Beschriftung verwenden möchten, um die Sauberkeit eines Raums zu beschreiben, können Sie „Roboter sauber“ anwenden. Wenn Sie sich später dazu entschieden haben, dies zu ändern, und „Sauberkeit“ als Unterbezeichnung haben, können Sie sie in „Raum > sauberkeit“ umbenennen. An diesem Punkt sollten Sie einer Nachricht so viele Beschriftungen wie möglich hinzufügen, da Sie später jederzeit zurückgehen und zusammenführen können.