Häufige Fragen zum Modelltraining

Die Informationen auf dieser Seite sind in die folgenden Abschnitte unterteilt:

• Allgemeines Modelltraining
• Beschriftungstraining

Allgemeines Modelltraining

Was ist das Ziel des Trainings eines Modells?

Das Ziel des Trainings eines Modells besteht darin, einen Satz von Trainingsdaten zu erstellen, die möglichst repräsentativ für das Dataset als Ganzes sind, damit die Plattform die relevanten Beschriftungen und allgemeinen Felder für jede Nachricht genau und sicher vorhersagen kann. Die Beschriftungen und allgemeinen Felder innerhalb eines Datasets müssen untrennbar mit den übergeordneten Zielen des Anwendungsfalls verbunden sein und einen signifikanten geschäftlichen Wert bieten.

Warum kann ich in Discover nichts sehen, wenn ich gerade Daten in die Plattform hochgeladen habe?

Sobald Daten auf die Plattform hochgeladen werden, beginnt die Plattform einen Prozess namens „unüberwachtes Lernen“, durch den sie Nachrichten in Cluster mit ähnlicher semantischer Absicht gruppiert. Dieser Prozess kann je nach Größe des Datasets einige Stunden dauern. Cluster werden angezeigt, sobald der Vorgang abgeschlossen ist.

Wie viele historische Daten benötige ich, um ein Modell zu trainieren?

Um ein Modell trainieren zu können, benötigen Sie eine Mindestmenge an vorhandenen historischen Daten. Diese werden als Trainingsdaten verwendet, um die Plattform mit den erforderlichen Informationen bereitzustellen, damit Sie jedes der relevanten Konzepte für Ihre Analyse und/oder Automatisierung zuverlässig vorhersagen können.

Wir empfehlen für jeden Anwendungsfall mindestens 12 Monate an historischen Daten, um eventuelle Saisonalitäten oder Unregel Kontotreibens in den Daten, wie z. B. Prozesse am Monatsende und Hauptgeschäftszeiten, ordnungsgemäß zu erfassen.

Muss ich mein Modell jedes Mal speichern, wenn ich eine Änderung vornehme?

Nein, Sie müssen Ihr Modell nicht speichern, nachdem Änderungen vorgenommen wurden. Jedes Mal, wenn Sie die Plattform mit Ihren Daten trainieren, d. h. Nachrichten mit Anmerkungen versehen, wird eine neue Modellversion für Ihr Dataset erstellt. Leistungsstatistiken für ältere Modellversionen können auf der Seite Validierung angezeigt werden.

Wie erkenne ich die Leistung des Modells?

Sehen Sie sich die Seite Validierung in der Plattform an, die verschiedene Leistungsmessungen meldet und eine ganzheitliche Zustandsbewertung des Modells bietet. Diese Seite wird nach jedem Trainingsereignis aktualisiert und kann verwendet werden, um Bereiche zu identifizieren, in denen das Modell möglicherweise weitere Trainingsbeispiele oder einige Beschriftungskorrekturen benötigt, um die Konsistenz sicherzustellen.

Ausführliche Erklärungen zur Modellleistung und deren Verbesserung finden Sie unter Validierung .

Warum sind nur 30 Cluster verfügbar und können wir sie einzeln festlegen?

Die Cluster sind eine hilfreiche Möglichkeit, Ihre Taxonomie schnell einzurichten, aber die Benutzer verbringen den größten Teil ihrer Zeit auf der Seite Erkunden anstatt in Discover.

Wenn Benutzer zu viel Zeit mit dem Kommentieren über Cluster verbringen, besteht die Gefahr, dass das Modell überangepasst wird, um bei der Vorhersage nach Meldungen zu suchen, die nur zu diesen Clustern passen. Je vielfältiger die Beispiele für jede Bezeichnung sind, desto besser kann das Modell die verschiedenen Möglichkeiten finden, die gleiche Absicht oder das gleiche Konzept auszudrücken. Dies ist einer der Hauptgrunde, warum wir jeweils nur 30 Cluster anzeigen.

Sobald genügend Training abgeschlossen oder eine beträchtliche Datenmenge zur Plattform hinzugefügt wurde, trainiert Discover erneut. Beim erneuten Training berücksichtigt es das vorhandene Training und versucht, neue Cluster zu präsentieren, die von der aktuellen Taxonomie nicht gut abgedeckt werden.

Weitere Informationen finden Sie unter Discover.

Wie viele Nachrichten befinden sich in jedem Cluster?

Insgesamt gibt es 30 Cluster, die jeweils 12 Nachrichten enthalten. Auf der Plattform können Sie die Anzahl der Nachrichten filtern, die auf der Seite in Schritten zwischen 6 und 12 pro Seite angezeigt werden. Wir empfehlen, sechs Nachrichten gleichzeitig zu kommentieren, um sicherzustellen, dass Sie das Risiko reduzieren, Nachrichten teilweise zu kommentieren.

Was bedeuten Präzision und Rückruf?

Genauigkeit und Rückruf sind Metriken, die zur Messung der Leistung eines Machine Learning-Modells verwendet werden. Eine detaillierte Beschreibung der einzelnen Elemente finden Sie im Abschnitt Verwenden der Validierung in unseren Anleitungen.

Kann ich zu einer früheren Version meines Modells zurückkehren?

Sie können auf die Validierungsübersicht früherer Modelle zugreifen, indem Sie auf der Seite Validierung mit dem Mauszeiger auf Modellversion zeigen. Dies kann hilfreich sein, um den Fortschritt beim Training Ihres Modells zu verfolgen und zu vergleichen.

Wenn Sie Ihr Modell auf eine frühere angeheftete Version zurücksetzen müssen, finden Sie weitere Informationen unter Modell-Rollback .

Beschriftungstraining

Kann ich den Namen einer Beschriftung später ändern?

Ja, es ist ganz einfach. Sie können die Einstellungen für jede Beschriftung aufrufen und sie jederzeit umbenennen. Weitere Informationen finden Sie unter Beschriftungsbearbeitung.

Wie erfahre ich die Anzahl der Nachrichten, die ich kommentiert habe?

Informationen zu Ihrem Dataset, einschließlich wie viele Nachrichten mit Anmerkungen versehen wurden, werden auf der Seite Datasets -Einstellungen angezeigt. Weitere Informationen zum Zugriff finden Sie unter Dataset-Einstellungen ändern.

Eine meiner Bezeichnungen funktioniert schlecht. Was kann ich tun, um sie zu verbessern?

Wenn die Seite Validierung zeigt, dass Ihre Beschriftung eine schlechte Leistung zeigt, gibt es verschiedene Möglichkeiten, ihre Leistung zu verbessern. Weitere Informationen finden Sie unter Verstehen und Verbessern der Modellleistung.

Was bedeutet das rote Ziffernblatt neben meiner Beschriftung oder dem allgemeinen Feld? Wie werde ich es los?

Die kleinen roten Zifferblätter neben jedem Bezeichnungs-/allgemeinen Feld geben an, ob weitere Beispiele für die Plattform erforderlich sind, um die Leistung des Bezeichnungs-/allgemeinen Felds genau zu schätzen. Die Zifferblätter beginnen zu verschwinden, sobald Sie mehr Trainingsbeispiele angeben, und sie verschwinden vollständig, sobald Sie 25 Beispiele erreicht haben.

Danach kann die Plattform die Leistung einer bestimmten Beschriftung/allgemeinen Felds effektiv auswerten und kann eine Leistungswarnung zurückgeben, wenn die Beschriftung oder das allgemeine Feld nicht fehlerfrei ist.

Sollte ich es vermeiden, leere oder nicht informative Nachrichten mit Anmerkungen zu versehen?

Die Plattform kann von leeren Nachrichten und nicht informativen Nachrichten lernen, sofern sie korrekt mit Anmerkungen versehen sind. Es ist jedoch anzumerken, dass nicht aussagekräftige Bezeichnungen wahrscheinlich eine beträchtliche Anzahl von Trainingsbeispielen benötigen und frei nach Konzepten gruppiert werden müssen, um die beste Leistung zu gewährleisten.