- 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
Übersicht über den Modelltrainingsprozess
Das Training eines Modells kann in drei Phasen unterteilt werden:
Zu Beginn ist es sinnvoll, diese Schritte der Reihe nach durchzugehen. Dies kann jedoch ein iterativer Prozess sein. Sie werden möglicherweise feststellen, dass Sie bei verschiedenen Bezeichnungen die verschiedenen Schritte ausschneiden und ändern können, wenn Sie mit der Plattform mehr vertraut werden.
Discover
Bei „Discover“ werden ähnliche Absichten, Muster und Konversationsthemen in „Clustern“ gruppiert. Dies ist der Ausgangspunkt und wird verwendet, um schnell ein erstes Modell zu erstellen, in dem Sie Ihre Daten analysieren und jeden Cluster mit einer oder mehreren zutreffenden Beschriftungen kennzeichnen.
Erkunden
Nach der Überprüfung der Cluster in Discover wird Explore verwendet, um Ihr Modell weiter zu trainieren. Die meiste Zeit werden Sie hier damit verbringen, Meldungen zu überprüfen, Beschriftungen hinzuzufügen und das Verständnis des Modells für Ihre Daten zu verbessern.
Verfeinern
Diese Phase wird verwendet, um die Gesamtleistung Ihres Modells zu bewerten und zu verbessern. In dieser Phase bietet die Plattform geführtes Feedback zum Zustand Ihres Modells über die Modellbewertung, einschließlich Leistungsproblemen und der nächstbesten Aktionen, um diese zu lösen.
Die Phasen „Erkennen“, „Erkunden“ und „Verfeinern“ können jetzt über die Registerkarte „Training“ abgeschlossen werden. Weitere Informationen finden Sie auf der Seite Trainieren .
Bereinigung/Neuorganisation
Dies ist ein Teil des Modelltrainingsprozesses, den Sie jederzeit durchführen können – Beschriftungen während des Prozesses umbenennen, zusammenführen oder löschen. Der Prozess wird auf der Seite Erkunden im Detail erläutert.