- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- 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
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Bezeichnungen, Entitäten 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 Beschriftung
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Überblick
- Training mit „Clustern“
- Training mit "Search" (Discover)
- Einführung zu „Verfeinern“
- 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 „Bezeichnung überprüfen“ und „Bezeichnung fehlen“
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Ausgleichs und Verwendung von „Neuausgleich“
- Wann das Training Ihres Modells beendet werden soll
- Definieren und Einrichten Ihrer Entitäten
- Grundlegendes zu Entitäten
- Welche vortrainierten Entitäten sind verfügbar?
- Aktivieren, Deaktivieren, Aktualisieren und Erstellen von Entitäten
- Entitätsfilterung
- Überprüfen und Anwenden von Entitäten
- Validierung für Entitäten
- Verbesserung der Entitätsleistung
- Erstellen von benutzerdefinierten Regex-Entitäten
- Verwenden von Analytics & Monitoring
- Automatisierungs- und Communications Mining
- Häufige Fragen und mehr
Training mit "Search" (Discover)
Benutzerberechtigungen erforderlich: „Quellen anzeigen“ UND „Überprüfen und Beschriften“.
Die Funktion „Suchen“ in Discover wird verwendet, um nach Schlüsselwörtern und Ausdrücken zu suchen. Sie können nach exakten Suchbegriffen suchen, und wenn sie vorhanden sind, werden Ihnen diese gefolgt von teilweisen Übereinstimmungen angezeigt. Diese Funktion kann verwendet werden, um für jede Bezeichnung nach alternativen Begriffen und Möglichkeiten zu suchen, die gleiche Absicht oder das gleiche Konzept auszudrücken. Das kann nützlich sein, wenn Sie einen relevanten Begriff oder Ausdruck kennen, der bisher in keinem der Cluster aufgetreten ist, und wenn Sie ein paar Beispiele anheften möchten.
Die Suche sollte nicht verwendet werden, um eine große Anzahl von Beispielen pro Suchbegriff und Bezeichnung anzuwenden, sondern nur ein paar von jedem.
Sehen wir uns ein Beispiel an. Im folgenden Cluster geht es eindeutig um den Standort des Hotel, für das die Beschriftung „Standort “ vorhergesagt wurde. Wenn wir nur diesen Begriff verwenden, könnte das Modell auf die Wendungen um das Wort „Standort “ oder ähnliches ausgerichtet werden. Wir sollten die Suchfunktion nutzen, um alternative Ausdrucksmöglichkeiten zu finden:
Mögliche alternative Suchbegriffe für„Location“ :
- Gefunden
- Praktisch
- Position
- Nähe
- Nähe
- Hotelposition
- Speicherort für den Transport
- Transportlinks
- Sehenswürdigkeiten
- In der Nähe des Transports
- Zentral
- In der Nähe des Flughafens
- In der Nähe des Flughafens
Suche nach verschiedenen Begriffen
Das folgende Beispiel zeigt, wie die Suche nach alternativen Begriffen für „Standort“ Nachrichten hervorhebt, die sich auf den Standort des Hotel beziehen, aber anders ausgedrückt werden. Auf diese Weise erhält das Modell verschiedene Beispiele für „Location“.
Anwenden von Beschriftungen auf Suchergebnisse
- Wählen Sie ' Suchen' im Dropdownmenü 'Cluster' auf der Registerkarte „Erkennen“ aus
- Geben Sie Ihren Suchbegriff ein und drücken Sie die Eingabetaste oder klicken Sie auf das Suchsymbol
- Entsprechende Suchbegriffe werden orange hervorgehoben. Die Plattform zeigt vollständige Übereinstimmungen gefolgt von teilweisen Übereinstimmungen an
- Fügen Sie alle Beschriftungen hinzu, die zutreffen sollen, nicht nur Ihre Suchergebnisse (z. B Eigenschaft > Mitarbeiterbezeichnung im obigen Cluster).
- Tun Sie dies NICHT bei einer großen Anzahl von Nachrichten für jede Beschriftung
Sie können diesen Prozess sparsam für jede Beschriftung verwenden, die dasselbe Thema auf unterschiedliche Weise ausdrücken kann. Es gibt jedoch andere Methoden, die in der Erkundungsphase behandelt werden und ebenfalls dazu beitragen, andere Trainingsbeispiele zu liefern, aber nicht das Potenzial haben, Ihr Modell zu verzerren.