Generative Anmerkung

Generative Anmerkung verwendet den Microsoft Azure OpenAI-Endpunkt, um KI-vorgeschlagene Beschriftungen zu generieren, um das Taxonomiedesign und frühere Phasen des Modelltrainings zu beschleunigen und die Zeit bis zur Wertschöpfung für alle Communications Mining™-Anwendungsfälle zu verkürzen.

Generative Anmerkung umfasst:

1. Clustervorschläge – Vorgeschlagene neue oder vorhandene Beschriftungen für Cluster basierend auf ihren identifizierten Themen.
2. Unterstützte Anmerkungen – Automatische Vorhersagen für Beschriftungen basierend auf den Beschriftungsnamen oder -beschreibungen.

Verwenden von generativer Anmerkung

Generative Anmerkungsfunktionen werden für Datasets automatisch aktiviert, keine weiteren Aktionen erforderlich.

Sobald ein Dataset erstellt wurde, werden Clustervorschläge automatisch innerhalb einer kurzen Zeit generiert. Wenn eine Taxonomie hochgeladen wurde, was dringend empfohlen wird, schlägt Communications Mining™ sowohl vorhandene als auch neue Beschriftungen für Cluster vor.

Wenn Sie eine Taxonomie in ein Dataset hochladen, wird auch automatisch ein erstes Modell ausgelöst, das ohne Trainingsdaten trainiert wird, sondern nur mit Beschriftungsnamen und Beschreibungen trainiert wird. Diese Aktion kann einige Minuten nach dem Hochladen der Taxonomie dauern.

• Wechseln Sie für Clustervorschläge zur Registerkarte Trainieren und wählen Sie einen Cluster-Batch aus. Alternativ können Sie zur Registerkarte Discover wechseln und den Clustermodus auswählen, um Anmerkungen zu erstellen.
• Wechseln Sie für Unterstützte Anmerkungen zur Registerkarte Trainieren und befolgen Sie die empfohlenen Aktionen. Alternativ können Sie zur Registerkarte Erkunden wechseln und den Modus „Mischen“ oder „Beschriftung lehren“ auswählen, um mit dem Hinzufügen von Anmerkungen zu beginnen.

Hinweis: Diese Funktionen sind nicht verfügbar, wenn Ihre Organisation die Azure OpenAI-Dienste deaktiviert hat.

Verwenden von Clustervorschlägen

Hinweis: Sie müssen die Rolle IXP Model Trainer als Automation Cloud™-Benutzer oder die Berechtigung Überprüfen und Beschriften als Legacy-Benutzer zugewiesen haben.

Clustervorschläge werden für jede Clusterseite angezeigt. Dies kann eine oder mehrere vorgeschlagene Beschriftungen für jeden Cluster sein.

Wenn Sie die Stimmungsanalyse für Beschriftungen aktiviert haben, haben Clustervorschläge eine positive oder negative Stimmung, die grün oder rot hervorgehoben werden kann.

Um eine von KI vorgeschlagene Beschriftung zu identifizieren, überprüfen Sie das folgende Bild:

Modelltrainer sollten jeden Clustervorschlag überprüfen und eine der folgenden Schritte ausführen:

1. Akzeptieren Sie sie, indem Sie sie auswählen.
2. Weisen Sie eine neue Beschriftung zu, wenn sie mit dem gegebenen Vorschlag nicht einverstanden ist.

So unterstützen Clustervorschläge das Modelltraining

Clustervorschläge können die erste Phase des Modelltrainingsprozesses erheblich beschleunigen, indem vorgeschlagene Beschriftungen für jeden Cluster automatisch generiert werden. Es kann auch beim Taxonomiedesign helfen, wenn Benutzer Schwierigkeiten haben, die Konzepte zu definieren, die sie trainieren möchten.

Clustervorschläge werden basierend auf dem identifizierten Thema generiert, das in den Nachrichten innerhalb eines Clusters geteilt wird.

Die Erstellung von Clustern und die Generierung von Beschriftungsvorschlägen ist ein automatischer und völlig unbeaufsichtigter Prozess, bei dem keine menschliche Eingabe erforderlich ist.

Beschriftungsvorschläge für Cluster werden mit oder ohne vordefinierte Taxonomie generiert, aber Vorschläge werden durch die Nutzung importierter oder vorhandener Beschriftungen beeinflusst und in der Regel hilfreicher.

Verwenden von unterstützten Anmerkungen

Voraussetzungen:

• Sie müssen die Rolle IXP Model Trainer als Automation Cloud™-Benutzer oder die Berechtigung Überprüfen und Beschriften als Legacy-Benutzer zugewiesen haben.
• Eine importierte Liste von Beschriftungsnamen.
• Optional wird eine importierte Liste von Beschriftungsbeschreibungen dringend empfohlen. Die Plattform verwendet Beschreibungen als Trainingseingabe, um Vorhersagen zu machen. Beschreiben Sie daher das Beschriftungskonzept klar und prägnant.

Nachdem das ursprüngliche Modell automatisch mit Beschriftungsnamen und Beschreibungen als Trainingseingabe trainiert wurde, werden für viele der Nachrichten im Dataset Vorhersagen angezeigt.

Diese Vorhersagen funktionieren genau auf die gleiche Weise wie zuvor, d. h. sie werden nur ohne Trainingsdaten generiert.

Wenn Sie die Stimmungsanalyse für Beschriftungen aktiviert haben, haben erste Vorhersagen je nach Konfidenzniveau entweder eine positive oder negative Stimmung in verschiedenen Grün- oder Rottönen.

Unterstützte Anmerkungen funktionieren in jedem Trainingsbatch oder Modus, am effektivsten ist sie jedoch in Mischen und Beschriftung lehren . Sie sollten die regulären Schritte zum Hinzufügen von Anmerkungen in jedem Trainingsbatch auf den Registerkarten Trainieren oder Erkunden ausführen.

So unterstützt Assisted Annotating das Modelltraining

Unterstütztes Annotieren kann die zweite Phase des Modelltrainingsprozesses erheblich beschleunigen, indem automatisch Vorhersagen für jede Beschriftung mit ausreichend Kontext generiert werden, ohne dass Trainingsbeispiele erforderlich sind.

Erste Vorhersagen hängen von der Qualität der Labelnamen und Beschreibungen in natürlicher Sprache ab, sodass vage Namen zu vage oder minimalen Vorhersagen führen können. Detaillierte Beschriftungsbeschreibungen können die anfängliche Leistung des Modells verbessern.

Während Sie Ihr Dataset weiter trainieren, verwendet die Plattform sowohl die Beschriftungsnamen und -beschreibungen als auch Ihre angehefteten Beispiele, um relevante Beschriftungsvorhersagen zu generieren.

Diese werden mit mehr Training weiter verbessert und basieren letzten Endes nur auf kommentierten Trainingsbeispielen, wenn genügend zur Verfügung gestellt wurde.

Unterstütztes Annotieren erfordert immer noch überwachtes Lernen durch Akzeptieren oder Ablehnen der Vorhersagen, aber es beschleunigt den zeitaufwändigsten Teil des Modelltrainings, indem bessere Vorhersagen ohne oder mit sehr wenigen angehefteten Beispielen bereitgestellt werden.