- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- 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
- Administrar 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
- Preparar datos para cargar archivos .CSV
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, las entidades 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
- Mejores prácticas de entrenamiento y etiquetado de modelos
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Entrenamiento
- Introducción a 'Perfeccionar'
- 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 'Comprobar etiqueta' y 'Etiqueta perdida'
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y usar 'Reequilibrar'
- Cuándo dejar de entrenar tu modelo
- Definir y configurar tus entidades
- Comprender las entidades
- ¿Qué entidades preentrenadas están disponibles?
- Habilitar, deshabilitar, actualizar y crear entidades
- Filtrado de entidades
- Revisar y aplicar entidades
- Validación para entidades
- Mejorar el rendimiento de la entidad
- Creación de entidades regex personalizadas
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Preguntas frecuentes y más
Crear tu estructura de taxonomía
Uno de los factores más fundamentales que determinarán el rendimiento de tu modelo, así como la satisfacción de tus objetivos empresariales, es la estructura de tu taxonomía, incluido lo que captura cada una de las etiquetas que contiene.
Por tanto, es importante pensar en la estructura de taxonomía de destino antes del entrenamiento del modelo. Dicho esto, debes tener un grado de flexibilidad para adaptarlo, ampliarlo y mejorarlo (según sea necesario) a medida que avanzas en el entrenamiento. Esto es lo que llamamos el enfoque de entrenamiento "basado en datos".
En última instancia, las etiquetas de la taxonomía y los ejemplos de entrenamiento proporcionados para cada etiqueta deben crear una representación precisa y equilibrada del conjunto de datos en su conjunto. Pero cada etiqueta también debe ser valiosa, al representar claramente de alguna manera los mensajes para los que se predice.
Si las etiquetas se utilizan para capturar conceptos muy amplios, vagos o confusos, no solo es más probable que tengan un mal rendimiento, sino que es menos probable que proporcionen valor empresarial. Esto puede ser para proporcionar información útil sobre ese concepto, o para ayudar a que un proceso se automatice total o parcialmente en sentido descendente.
Este es un ejemplo de una taxonomía de alto nivel con etiquetas típicas aplicables en varios casos de uso/sectores. No todos serán aplicables a tu modelo.
Una empresa recibe cada año millones de correos electrónicos en diferentes bandejas de entrada de los clientes sobre una multitud de problemas, consultas, sugerencias, quejas, etc.
Esta empresa decide aumentar su eficiencia operativa, la estandarización de procesos y la visibilidad de lo que sucede en su negocio convirtiendo automáticamente estos correos electrónicos de los clientes en tickets de flujo de trabajo. Estos pueden ser rastreados y accionados, utilizando procesos específicos y dentro de los plazos establecidos.
Para ello, deciden utilizar la plataforma para interpretar estas comunicaciones entrantes no estructuradas y proporcionar una clasificación con respecto al proceso y subproceso con el que se relaciona el correo electrónico. Esta clasificación se utiliza para actualizar el ticket de flujo de trabajo que se creará automáticamente utilizando un servicio de automatización, y garantizar que se enruta al equipo o individuo correcto.
Para garantizar que este caso de uso tenga el mayor éxito posible, y para minimizar el número de excepciones (clasificaciones incorrectas o correos electrónicos que la plataforma no puede clasificar con confianza), cada correo electrónico entrante debe recibir una predicción segura que tenga una etiqueta principal y una etiqueta secundaria, es decir, [Proceso X] > [Subproceso Y].
Dado que el objetivo es clasificar cada correo electrónico entrante con un [Proceso] y un [Subproceso], cada etiqueta de la taxonomía debe ajustarse a este formato:
En este caso de uso, cualquier correo electrónico que no tenga una predicción segura tanto para una etiqueta principal como para una secundaria podría ser una excepción, enviado para revisión manual y creación de tickets. Alternativamente, si tiene una predicción de etiqueta principal de alta confianza, pero no una predicción de etiqueta secundaria segura, esta podría usarse para enrutar parcialmente el correo electrónico o crear un ticket, con algo de trabajo manual adicional para añadir el subproceso relevante.
Si imaginamos que lo primero es cierto, y cada correo electrónico sin una predicción de alta confianza en forma de [Proceso] > [Subproceso] se convierte en una excepción manual, queremos asegurarnos de que todos los ejemplos que proporcionamos para cada etiqueta cuando entrenar el modelo refleja este formato.
Cada etiqueta principal de la taxonomía debe estar relacionada con un proceso amplio relevante para el contenido de los correos electrónicos, por ejemplo 'Facturación '. Cada etiqueta secundaria debe ser un subproceso más específico que se encuentre bajo una etiqueta principal, por ejemplo 'Facturación > Solicitud de estado '.
Recuerda que es importante que cada etiqueta sea específica en lo que intenta capturar. Las etiquetas extremadamente amplias como "Consulta general" o "Todo lo demás" pueden ser muy poco útiles si se utilizan para agrupar muchos temas distintos y no hay un patrón claro o similitud entre los ejemplos anclados.
En este caso de uso, tampoco proporcionarían mucho valor empresarial cuando se creara un ticket de flujo de trabajo y se clasificara como "Consulta general" o "Todo lo demás". Alguien aún tendría que leerlo detenidamente para entender de qué se trata y si es relevante para su equipo antes de poder actuar.
Esto anula cualquier beneficio de ahorro de tiempo y no proporcionaría una MI útil para la empresa sobre el trabajo que los equipos estaban realizando.
Nota: este es solo un ejemplo de cómo se puede estructurar una taxonomía para un caso de uso específico, este no es un enfoque único para todos. Cada proyecto requerirá una taxonomía única de etiquetas, que depende en gran medida de tu caso de uso, conjunto de datos y objetivos específicos.
