- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- Campos generales (anteriormente entidades)
- Etiquetas (predicciones, niveles de confianza, jerarquía, etc.)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes revisados y no revisados
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Administración
- Gestionar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Create or delete a data source in the GUI
- Cargar un archivo CSV en un origen
- Preparando datos para cargar archivos .CSV
- Crear un nuevo conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración de un conjunto de datos
- Eliminar mensajes a través de la IU
- Eliminar un conjunto de datos
- Exportar un conjunto de datos
- Uso de integraciones de Exchange
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, los campos generales y los metadatos
- Jerarquía de etiquetas y mejores prácticas
- Definición de los objetivos de taxonomía
- Casos de uso de análisis frente a automatización
- Convertir tus objetivos en etiquetas
- Crear tu estructura de taxonomía
- Mejores prácticas de diseño de taxonomía
- Importar tu taxonomía
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa (NUEVO)
- Estado de Dastaset
- Entrenamiento de modelos y mejores prácticas de anotación
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Comprender los requisitos de datos
- Entrenamiento
- Introducción a Refinar
- Explicación de la precisión y la recuperación
- Precisión y recuperación
- ¿Cómo funciona la validación?
- Comprender y mejorar el rendimiento del modelo
- ¿Por qué una etiqueta puede tener una precisión media baja?
- Entrenamiento utilizando la etiqueta Comprobar y la etiqueta Perdida
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y utilizar Reequilibrar
- Cuándo dejar de entrenar tu modelo
- Anclar y etiquetar una versión del modelo
- Eliminar un modelo anclado
- Añadir nuevas etiquetas a las taxonomías existentes
- Mantener un modelo en producción
- Reversión del modelo
- Uso de campos generales
- Extracción generativa
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Información de licencia
- Preguntas frecuentes y más
Guía de usuario de Communications Mining
Añadir nuevas etiquetas a las taxonomías existentes
Permisos de usuario necesarios: 'Ver fuentes' Y 'Revisar y anotar'.
Si tienes una taxonomía madura preexistente, con muchos mensajes revisados, añadir una nueva etiqueta requiere un entrenamiento adicional para alinearla con el resto de etiquetas de la taxonomía.
Al añadir una nueva etiqueta a una taxonomía bien entrenada, debes asegurarte de aplicarla a los mensajes previamente revisados si la etiqueta es relevante para ellos.
Si no lo haces, se habrá enseñado al modelo que la nueva etiqueta no debería aplicarse a ellos y tendrá dificultades para predecir la nueva etiqueta con confianza.
Cuantos más ejemplos revisados haya en el conjunto de datos, más entrenamiento requerirá esto al añadir una nueva etiqueta (a menos que se trate de un concepto completamente nuevo que no encontrarás en datos más antiguos, pero sí en datos mucho más recientes).
Pasos clave:
Cree la nueva etiqueta cuando encuentre un ejemplo en el que deba aplicarse
Encuentra otros ejemplos en los que debería aplicarse utilizando algunos métodos diferentes:
- Puedes buscar términos o frases clave utilizando la función de búsqueda en Descubrir para encontrar instancias similares. De esta manera, se aplica la etiqueta en masa si hay muchos ejemplos similares en los resultados de la búsqueda.
- O puede buscar términos o frases clave en Explorar: este es potencialmente un mejor método, ya que puede filtrar los mensajes 'Revisados', y la búsqueda en Explorar devuelve un recuento aproximado del número de mensajes que coinciden con sus términos de búsqueda
- También puedes seleccionar etiquetas que creas que pueden aparecer a menudo junto a tu nueva etiqueta, y revisar los ejemplos anclados para esa etiqueta para encontrar ejemplos en los que debería aplicarse tu nueva etiqueta
- Una vez que tengas algunos ejemplos anclados, comprueba si comienza a predecirse en el modo 'Etiqueta '; si es así, añade más ejemplos utilizando este modo
- Por último, si estás anotando en un conjunto de datos habilitado para opiniones, y tu nueva etiqueta suele ser positiva o negativa, también puedes elegir entre opiniones positivas y negativas al mirar los ejemplos revisados (aunque en la actualidad no puedes combinar la 'búsqueda de texto' con la filtro 'revisado' Y un filtro de sentimiento)
A continuación, utiliza"Etiqueta perdida" para encontrar más mensajes en los que la plataforma cree que debería haberse aplicado la nueva etiqueta:
- Una vez que hayas anotado bastantes ejemplos utilizando los métodos anteriores y el modelo haya tenido tiempo de volver a entrenarse, utiliza la funcionalidad "Etiqueta perdida" en Explorar seleccionando tu etiqueta y luego selecciona "Etiqueta perdida" en el menú desplegable
- Esto le mostrará los mensajes revisados en los que el modelo cree que la etiqueta de selección puede haberse perdido en los ejemplos revisados anteriormente
- En estos casos, el modelo mostrará la etiqueta como sugerencia (como se muestra en el siguiente ejemplo)
- Aplicar la etiqueta a todos los mensajes a los que el modelo cree correctamente que debería haberse aplicado la etiqueta
- Siga entrenando en esta página hasta que haya anotado todos los ejemplos correctos, y este modo ya no muestra ejemplos en los que la etiqueta debería aplicarse realmente
A continuación, comprueba el rendimiento de la nueva etiqueta en la página Validación (una vez que el modelo haya tenido tiempo de volver a entrenarse y calcular las nuevas estadísticas de validación) y comprueba si se requiere más entrenamiento.