- 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)
- Der Status des 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
Wann das Training Ihres Modells beendet werden soll
Dank der umfassenden Validierungsfunktionen der Plattform, einschließlich der Modellbewertungsfunktion , ist es jetzt relativ einfach zu verstehen, wann das Training Ihres Modells beendet werden muss.
Das erforderliche Leistungsniveau für Ihr Modell liegt bei Ihnen und Ihrem Unternehmen. Die Modellbewertung der Plattform gibt Ihnen jedoch einen guten Einblick in die Leistung Ihres Modells und wie Sie es bei Bedarf verbessern können.
Ein Modell mit einer Punktzahl von 70 oder höher wird als „ Gut“ eingestuft, während eine Punktzahl von 90 erforderlich ist, damit ein Modell als „ Ausgezeichnet“ eingestuft wird.
In jedem Anwendungsfall empfehlen wir immer, Folgendes sicherzustellen, bevor Sie das Training beenden:
- Dass Ihr Modell mindestens eine Gesamtpunktzahl hat, die die Bewertung „Gut“ liefert, da dies bedeutet, dass die Plattform das Modell insgesamt als relativ in Ordnung hält
- Dass jeder der einzelnen Faktoren auch eine Bewertung von mindestens „ Gut“ hat (wie unten gezeigt)
-
Dass keine Ihrer wichtigen Beschriftungen roteoder gelbe Leistungswarnungen aufweist
Bei einem analyseorientierten Modell sollte es neben den oben aufgeführten Faktoren im Ermessen des Modelltrainers liegen, inwieweit er die Leistung seines Modells optimieren möchte. Die Leistungsanforderung kann von verschiedenen Faktoren abhängen, einschließlich der Ziele des Anwendungsfalls und der Fähigkeit des Modelltrainers, das Training fortzusetzen.
Wenn Sie ein Modell erstellen , das Automatisierungen ermöglichen soll, wird empfohlen , dass Ihr Modell dieBewertung „Ausgezeichnet “ hat und dass das Modell auch mit Live-Daten getestet wird, bevor es in der Produktion eingesetzt wird.
Zusätzliche optionale Leistungsprüfungen
Obwohl es sich bei der Modellbewertung um eine umfassende Leistungsbewertung handelt, möchten Sie möglicherweise einige zusätzliche Überprüfungen durchführen, um sicherzustellen, dass Sie mit der Leistung Ihres Modells voll und ganz zufrieden sind.
Wenn dies der Fall ist, finden Sie hier einige nützliche Überprüfungen, die Sie mit empfohlenen Aktionen durchführen können. Es ist erwähnenswert, dass die Plattform, wenn sie der Meinung ist, dass es für Sie wichtig ist, eine dieser Aktionen durchzuführen, diese auch in der Validierung empfiehlt.
Prüfen (Check) | Prozess | Auszuführende Aktionen |
---|---|---|
Vorhersageüberprüfung für einen Zeitraum von zwei Tagen | Überprüfen Sie die Vorhersagen für die letzten Daten im Wert von 1–2 Tagen: Verwenden Sie den Zeitfilter und „Aktuell“ in der Dropdownliste, um Daten im Wert von 2 den letzten Tagen auszuwählen. Überprüfen Sie die Vorhersagen und stellen Sie sicher, dass jede Nachricht eine Vorhersage mit relativ hoher Konfidenz hat. Durch die Überprüfung von Daten im Wert von 1–2 Tagen sollte sichergestellt werden, dass alle potenziellen Konzepte abgedeckt sind |
‑ Wenn es Nachrichten ohne Vorhersagen oder mit unzureichender Konfidenz gibt, kommentieren Sie sie wie gewohnt * Trainieren Sie dann weiter mit Mischen und niedriger Konfidenz |
Mischen | Überprüfen Sie Vorhersagen in Mischen für mindestens 5 Seiten. Jede Nachricht sollte eine Beschriftung haben, die mit einer ausreichend hohen Konfidenz vorhergesagt wird |
‑ Wenn es Nachrichten ohne Vorhersagen oder mit unzureichender Konfidenz gibt, kommentieren Sie sie wie gewohnt * Trainieren Sie dann weiter mit Mischen und niedriger Konfidenz |
Niedrige Konfidenz | Der Modus mit niedriger Konfidenz zeigt Ihnen Meldungen an, die von informativen Label-Vorhersagen nicht gut abgedeckt werden. Diese Nachrichten haben entweder keine Vorhersagen oder Vorhersagen mit sehr geringer Konfidenz für Beschriftungen, die die Plattform als informativ versteht. |
* Wenn Nachrichten nicht behandelt wurden, fügen Sie eine neue Beschriftung für sie hinzu und trainieren Sie wie gewohnt * Wenn Sie eine Nachricht für eine vorhandene Beschriftung finden, wenden Sie sie wie gewohnt an |
'Erneut entdecken'(siehe unten) | Wenn Sie zu Discover zurückkehren, können Sie potenzielle neue Cluster anzeigen, bei denen die Wahrscheinlichkeit der Anwendung einer Bezeichnung niedrig ist. Dies sollte verwendet werden, um sicherzustellen, dass Sie keine potenziellen Beschriftungen übersehen haben, oder um vorhandene Beschriftungen mit vielfältigeren Beispielen bereitzustellen, ähnlich wie bei „Niedrige Konfidenz“. |
* Wenn es Cluster ohne Vorhersagen (oder mit sehr niedriger) gibt, kommentieren Sie den Cluster entweder mit einer neuen oder ggf. mit einer vorhandenen Beschriftung Trainieren Sie jede neue Bezeichnung wie gewohnt |
„Erneut entdecken“
„Erneut entdecken“ ist ein Schritt, der jederzeit während des Trainingsprozesses wiederholt werden kann, aber auch nützlich sein kann, wenn Sie überprüfen, ob Sie ausreichend trainiert haben.
Diese Überprüfung bedeutet im Wesentlichen nur, zur Seite „Discover“ im „Cluster“-Modus zurückzukehren und die Cluster dort zu überprüfen, um ihre Vorhersagen zu überprüfen und zu sehen, ob Discover Cluster gefunden hat, die bei Ihrem Training möglicherweise übersehen wurden.
Da die Cluster in Discover erneut trainiert werden, nachdem eine beträchtliche Menge an Training in der Plattform abgeschlossen wurde (180 Anmerkungen) oder dem Dataset eine beträchtliche Datenmenge hinzugefügt wurde (1000 Meldungen oder 1 %, je nachdem, welcher Wert höher ist, und mindestens 1 Anmerkung ), sollten sie während des gesamten Trainingsprozesses regelmäßig aktualisiert werden.
Discover versucht , Cluster zu finden, die von Bezeichnungsvorhersagen nicht gut abgedeckt werden. Wenn es in Discover Cluster gibt, die bestimmte Beschriftungen vorhergesagt haben sollten, dies aber nicht der Fall ist, müssen Sie für diese Beschriftungen noch etwas trainieren. Hier erfahren Sie, wie Sie Cluster in Discover kommentieren können.
Wenn Ihr Modell gut trainiert ist, hat Discovery Schwierigkeiten, Cluster mit geringer Konfidenz oder ohne Vorhersagen zu finden. Wenn Sie sehen, dass jeder der Cluster in Discover eine relativ hohe Konfidenz und korrekte Vorhersagen aufweist, ist dies ein guter Indikator dafür, dass Ihr Modell das Dataset gut abdeckt.