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
Conjuntos de datos
Un 'conjunto de datos' se compone de un grupo definido por el usuario de fuentes similares, y tendrá un modelo asociado que ha sido entrenado en los datos dentro de ese conjunto de datos.
El modelo encapsula el propósito de este conjunto de datos, es decir, ¿qué intenta entender el usuario a partir de sus datos?
Por ejemplo, un conjunto de datos podría incluir todas las conversaciones de ventas dentro de una organización, a través de múltiples fuentes, y el usuario podría haber entrenado el modelo para supervisar la experiencia del cliente a partir de estas conversaciones.
Puedes ver una lista de todos los conjuntos de datos de tu proyecto en la página Conjuntos de datos.
Un ejemplo de tarjeta de conjunto de datos de la página Conjuntos de datos
Nota: Solo debes añadir varias fuentes de datos a un conjunto de datos si son de un tipo similar y comparten un propósito similar (p. ej. capturar comentarios de los clientes, o múltiples bandejas de entrada de correo electrónico que atienden solicitudes similares).
