Training mit „Teach Label“ (Erkunden)

Hinweis: Sie müssen die Berechtigungen Quelle – Lesen und Dataset – Überprüfen als Automation Cloud-Benutzer oder die Berechtigungen Anzeigen Quellen anzeigen und Überprüfen und Kommentieren als Legacy-Benutzer zugewiesen haben.

Teach ist der zweite Schritt in der Erkundungsphase und dient dazu, Vorhersagen für eine Beschriftung anzuzeigen, bei der das Modell am meisten unklar ist, ob es zutrifft oder nicht. Wie in den vorherigen Schritten müssen wir bestätigen, ob die Vorhersage richtig oder falsch ist, und so dem Modell starke Trainingssignale liefern. Dies ist der wichtigste beschriftete Trainingsmodus.

Hinweis:

Teach Label ist ein Trainingsmodus, der ausschließlich für das Kommentieren von nicht überprüften Nachrichten entwickelt wurde. Daher ist der überprüfte Filter in diesem Modus deaktiviert.

Wichtige Schritte

1. Wählen Sie Beschriftung lehren im Dropdown-Menü aus, wie in der folgenden Abbildung gezeigt.
2. Wählen Sie die Beschriftung aus, die Sie trainieren möchten, wobei die Standardauswahl im Lehrmodus darin besteht, nicht überprüfte Nachrichten anzuzeigen.
3. Es wird Ihnen eine Auswahl an Nachrichten angezeigt, bei denen das Modell am meisten unsicher ist, ob die ausgewählte Beschriftung angewendet wurde oder nicht. Das bedeutet, dass Sie die Vorhersagen überprüfen und die Beschriftung anwenden sollten, wenn sie korrekt sind, oder andere Beschriftungen anwenden, wenn sie falsch sind.
   Hinweis:

   • Die Vorhersagen reichen von ca. 50 % für Daten ohne Stimmung und 66 % für Daten mit aktivierter Stimmung.
   • Stellen Sie sicher, dass Sie alle anderen zutreffenden Beschriftungen sowie die spezifische Beschriftung, auf die Sie sich konzentrieren, anwenden.

Sie sollten diesen Trainingsmodus nach Bedarf verwenden, um die Anzahl der Trainingsbeispiele für jede Beschriftung auf über 25 zu erhöhen, damit die Plattform dann die Leistung der Beschriftung genau einschätzen kann.

Die Anzahl der Beispiele, die für eine gute Leistung jeder Beschriftung erforderlich sind, hängt von einer Reihe von Faktoren ab. In der Verfeinerungsphase geht es darum, die Leistung jeder Beschriftung zu verstehen und zu verbessern.

Die Plattform empfiehlt regelmäßig die Verwendung von Teach Label , um die Leistung bestimmter Beschriftungen zu verbessern, indem vielfältigere Trainingsbeispiele bereitgestellt werden, mit denen sie andere Instanzen in Ihrem Dataset identifizieren kann, in denen die Beschriftung angewendet werden soll.

Lösungen für unzureichende Teach-Beispiele

Nach dem Erkennen und Mischen stellen Sie möglicherweise fest, dass einige Beschriftungen noch sehr wenige Beispiele haben und der Teach Label- Modus keine nützlichen Trainingsbeispiele liefert. In diesem Fall wird empfohlen, die folgenden Trainingsmodi zu verwenden, um der Plattform weitere Beispiele zum Lernen zur Verfügung zu stellen:

Option 1 – Suchen

Die Suche nach Begriffen oder Ausdrücken in Explore funktioniert genauso wie die Suche in Discover. Einer der zwei Hauptunterschiede besteht darin, dass Sie in Explore Suchergebnisse einzeln überprüfen und kommentieren müssen, anstatt sie massenweise zu überprüfen und zu kommentieren. Sie können in Explore suchen, indem Sie einfach Ihren Suchbegriff in das Suchfeld oben links auf der Seite eingeben.

Zu viel Suche kann jedoch Ihr Modell verzerren, was wir vermeiden möchten. Fügen Sie in diesem Trainingsmodus nicht mehr als 10 Beispiele pro Beschriftung hinzu, um Verzerrungen bei Anmerkungen zu vermeiden. Stellen Sie sicher, dass Sie der Plattform auch Zeit zum erneuten Training lassen, bevor Sie zum Lehrmodus zurückkehren.

Weitere Informationen finden Sie unter Training mit Suche auf der Registerkarte „Erkunden“.

Option 2 – Beschriftung

Obwohl das Training mit Label nicht zu den Hauptschritten in der Erkundungsphase gehört, kann es in dieser Phase des Trainings dennoch nützlich sein. Im Beschriftungsmodus zeigt Ihnen die Plattform Nachrichten an, bei denen diese Beschriftung in absteigender Reihenfolge der Konfidenz vorhergesagt wird, d. h. mit den zuversichtlichsten Vorhersagen zuerst und am wenigsten zuversichtlich unten.

Es ist jedoch nur nützlich, Vorhersagen zu überprüfen, die keine hohe Konfidenz haben, über 90 %. Dies liegt daran, dass das Modell sehr zuversichtlich ist, d. h. über 90 %, und dann durch die Bestätigung der Vorhersage, dass Sie dem Modell keine neuen Informationen mitteilen, es bereits zuversichtlich ist, dass die Beschriftung zutrifft. Suchen Sie bei Bedarf weiter unten auf der Seite nach weniger zuversichtlichen Beispielen. Wenn Vorhersagen jedoch eine hohe Konfidenz haben und falsch sind, stellen Sie sicher, dass Sie die richtigen Beschriftungen anwenden und die falschen Vorhersagen ablehnen.

Nützliche Tipps

• Wenn es bei einer Beschriftung mehrere verschiedene Möglichkeiten gibt, dasselbe zu sagen, z. B. A, B oder C, stellen Sie sicher, dass Sie die Plattform-Trainingsbeispiele für jede Art zu sprechen angeben. Wenn Sie 30 Beispielen von A und nur ein paar von B und C angeben, wird das Modell Schwierigkeiten haben, zukünftige Beispiele für B oder C für diese Beschriftung zu erfassen.
• Das Hinzufügen einer neuen Beschriftung zu einer ausgereiften Taxonomie kann bedeuten, dass sie nicht auf zuvor überprüfte Nachrichten angewendet wurde. Dazu müssen Sie dann zurückgehen und dem Modell mithilfe der Funktion Fehlende Beschriftung neue Beschriftungen beibringen.