Modell-Rollback

Mit der Modell-Rollback-Funktion können Sie zu einer früheren Version Ihres Modells zurückkehren. Auf diese Weise können Sie die Trainingsdaten für Beschriftungen und Anmerkungen für allgemeine Felder auf die Anmerkungen zurücksetzen, die zum Trainieren dieser Modellversion verwendet werden.

Wichtig:

Sie können nur zu angehefteten Modellversionen zurücksetzen.

Verwenden des Modell-Rollbacks

Das Modell-Rollback-Symbol ist auf der Seite Modelle in allen angehefteten Modellversionen verfügbar.

Um die Modell-Rollback-Funktion zu verwenden, gehen Sie wie folgt vor:

1. Wählen Sie das Rollback-Symbol für die Modellversion, auf die Sie zurücksetzen möchten.

   Hinweis:

   Die aktuell trainierte Modellversion wird automatisch als Sicherung angeheftet, aber alle Anmerkungen, die von einer Modellversion erfasst wurden, die derzeit noch trainiert wird, gehen verloren.

   

2. Sobald Sie die Rollback-Schaltfläche ausgewählt haben, wird ein Popup-Fenster als Erinnerung angezeigt, um Sie daran zu erinnern, dass die aktuelle Modellversion das Training beendet hat, bevor Sie Ihr Modell zurücksetzen. Um fortzufahren, wählen Sie Zurücksetzen.

   

Wenn das Modell-Rollback erfolgreich gestartet wurde, wird auf der Seite ein Banner angezeigt.

Was während des Modell-Rollbacks passiert

Während das Modell zurückgesetzt wird, können Sie das Dataset nicht ändern. Das bedeutet, dass Sie Ihr Modell während dieser Zeit nicht trainieren und keine Beschriftungen oder allgemeinen Felder auf Nachrichten anwenden können.

Oben wird eine Warnanzeige eingeblendet, die Sie darüber informiert, dass das Modell zurückgesetzt wird.

Wenn Sie versuchen, Ihr Dataset zu ändern, wird das folgende Banner auf der Seite angezeigt und auf Nachrichten, die wir versuchen, Anmerkungen zu erstellen, wird die Beschriftung oder das allgemeine Feld erst angewendet, wenn das Modell-Rollback abgeschlossen ist.

Die Rollback-Funktion hilft Ihnen zwar, zu einer früheren Version eines Modells zurückzukehren, aber wenn Sie in unserem Modelltraining einen größeren Fehler gemacht haben, sollten Sie sich nicht zu sehr darauf verlassen.

Stellen Sie stattdessen sicher, dass Sie die richtige Modelltrainingsmethodik beim ersten Mal korrekt befolgen, da dies uns langfristig Zeit sparen kann.