- 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
- 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
- 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)
- 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
- Uso de campos generales
- Extracción generativa
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Información de licencia
- Preguntas frecuentes y más
Mejores prácticas y consideraciones
El campo general resaltado debe cubrir la palabra completa (o varias) en cuestión, no solo parte de ella. No incluyas espacios adicionales al final del campo.
Al igual que las etiquetas, no revises parcialmente tus campos generales y de extracción.
- Los campos generales se revisan a nivel de párrafo, no a nivel de mensaje completo. Cuando revises un párrafo en busca de campos, revisa todos los campos del párrafo.
Si no se confirma un campo en un párrafo en el que se han etiquetado otros campos, se indica al modelo que no se considera un ejemplo genuino del campo predicho. Esto se refleja en las puntuaciones de validación y en el rendimiento general del campo.
- Los campos de extracción se revisan a nivel de mensaje, no solo a nivel de párrafo. Cuando revises un mensaje completo en busca de campos, revisa todos los campos del mensaje.
Si no se confirma un campo en un mensaje en el que se han etiquetado otros campos, se indica al modelo que no se considera un ejemplo genuino del campo predicho. Esto se refleja en las puntuaciones de validación y el rendimiento del campo de extracción.
- Los campos globales no pueden superponerse entre sí, o con otro ejemplo de sí mismo.
- Los campos globales y los campos de extracción pueden superponerse entre sí.
- Puedes utilizar el mismo espacio de texto tantas veces como sea necesario en diferentes campos de extracción.
- Actualmente no hay una vista previa general de la normalización de campos en Communications Mining. Los campos que deben normalizarse se normalizarán en la respuesta posterior. La normalización en Communications Mining estará disponible en el modelo en el futuro.
- Si una etiqueta secundaria tiene extracciones, su elemento principal no hereda los ejemplos de extracción automáticamente. Para las etiquetas, su elemento principal hereda automáticamente los ejemplos de extracción.
- Proporcionar ejemplos de extracción adicionales no mejora el rendimiento de una etiqueta. Para mejorar el rendimiento de una etiqueta, céntrate en el entrenamiento específico de la etiqueta.
- Mejorar el rendimiento de las etiquetas te permite aumentar la probabilidad de capturar ocurrencias en las que una etiqueta (y posteriormente sus extracciones) debería haber sido predicha.
Para mejorar el rendimiento de tus extracciones, proporciona ejemplos validados en las propias extracciones.