Communications Mining
Más reciente
False
- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- General fields (previously Entities)
- 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
- Crear un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- 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
- Preparando datos para cargar archivos .CSV
- Entrenamiento y mantenimiento de modelos
- Understanding labels, general fields and metadata
- 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)
- Comprender el estado de tu conjunto de datos
- Entrenamiento de modelos y mejores prácticas de anotación
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- 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
- Defining and setting up your general fields
- Understanding general fields
- Which pre-trained general fields are available?
- Enabling, disabling, updating and creating general fields
- General field filtering
- Reviewing and applying general fields
- Validation for general fields
- Improving general field performance
- Building custom regex general fields
- Extracción generativa
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Preguntas frecuentes y más
Guía de usuario de Communications Mining
Last updated 2 de jul. de 2024
Mejores prácticas y consideraciones
The highlighted general field should cover the entire word (or several) in question, not just part of it. Don't include additional spaces at the end of the field.
Similar to labels, don't partially review your general and extraction fields.
- General fields are reviewed at the paragraph level, not the entire message level. When you review a paragraph for fields, review all the fields in the paragraph.
Not confirming a field in a paragraph where you have labelled other fields, tells the model that you don't consider it a genuine example of the predicted field. This is reflected in the validation scores and the general field performance.
- Extraction fields are reviewed at the message level, not just the paragraph level. When you review an entire message for fields, review all the fields in the message.
Not confirming a field in a message where you have labelled other fields, tells the model that you don’t consider it a genuine example of the predicted field. This is reflected in the validation scores and extraction field performance.
Nota: Field level considerations and extraction and label performance are the most important things to remember when assigning both general and extraction fields are.
- Global fields cannot overlap with each other, or with another example of itself.
- Global fields and extraction fields can overlap with each other.
- You can use the same span of text as many times as needed by different extraction fields.
- There is currently no general field normalization preview in Communications Mining. Fields that should be normalized will get normalized in the downstream response. Normalization in Communications Mining will be available in the model in the future.
- If a child label has extractions on it, its parent doesn’t inherit the extraction examples automatically. For labels, its parent automatically inherits the extraction examples.
- Providing additional extraction examples does not improve the performance of a label. To improve the performance of a label, focus on label-specific training.
- Improving label performance allows you to increase the likelihood that you capture occurrences where a label (and subsequently its extractions) should have been predicted.
To improve the performance of your extractions, provide validated examples on the extractions itself.
