- 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
Definición de los objetivos de taxonomía
Antes de comenzar a entrenar tu modelo, es importante entender cómo abordar tu taxonomía, incluida la creación de tus etiquetas, y lo que deben capturar. También debe definir los puntos de datos clave (es decir, campos generales) que desea entrenar si planea explorar e implementar automatizaciones.
Una taxonomía es una colección de todas las etiquetas aplicadas a los mensajes en un conjunto de datos, estructurada de forma jerárquica. También puede referirse a los tipos de campos generales habilitados en un conjunto de datos e incluirlos, aunque estos se organizan en una jerarquía plana. Esta sección se refiere a las taxonomías de etiquetas.
Un caso de uso exitoso se debe principalmente a tener un conjunto de objetivos claramente definidos. Los objetivos no solo garantizan que todos trabajen hacia un objetivo común, sino que también te ayudan a decidir el tipo de modelo que quieres construir y dar forma a la estructura de tu taxonomía. En última instancia, tus objetivos dictarán los conceptos que entrenas a la plataforma para predecir.
Las taxonomías pueden orientarse hacia el cumplimiento de objetivos de automatización, análisis o ambos. Al diseñar tu taxonomía, debes hacerte las siguientes preguntas:
- Para impulsar las automatizaciones o los conocimientos que necesito, ¿qué intenciones o conceptos debo reconocer en los datos?
- ¿Todos estos conceptos son reconocibles solo por el texto del mensaje?
- ¿Ciertos conceptos deben estructurarse de una manera determinada para facilitar acciones específicas?
En conjunto, con suficiente entrenamiento, tus etiquetas deben crear una representación precisa y equilibrada del conjunto de datos, dentro del contexto de tus objetivos (p. ej. cubriendo todos los tipos de solicitudes que se enrutarán automáticamente en sentido descendente).
Es posible que no puedas cumplir todos tus objetivos con una única taxonomía en un conjunto de datos. Si quieres obtener análisis amplios pero detallados para un canal de comunicación, pero también automatizar un número seleccionado de tipos de solicitudes entrantes en colas de flujo de trabajo, es posible que necesites más de un conjunto de datos para facilitarlo.
Por lo general, es mejor no intentar lograr absolutamente todo a la vez dentro de una taxonomía multipropósito en expansión, ya que esto puede ser muy difícil de entrenar y mantener un alto rendimiento. Es más fácil comenzar con una taxonomía para un propósito específico, por ejemplo analizar los datos de los comentarios de los clientes en la aplicación para las solicitudes de características del producto y los errores, o supervisar la calidad del servicio al cliente en una bandeja de entrada del equipo de operaciones.
Un desglose de los diferentes tipos de objetivos se trata en el siguiente artículo sobre análisis frente a casos de uso centrados en la automatización.