- 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
Discover
Permisos de usuario necesarios: 'Ver fuentes' Y 'Ver etiquetas'.
- En primer lugar, te ayuda a descubrir grupos de mensajes interesantes. Los clústeres son temas de mensajes que la plataforma ha identificado que comparten intenciones o conceptos similares.
Cuando se cargan los datos, la plataforma utiliza el aprendizaje no supervisado (es decir, lee e interpreta los datos sin ningún entrenamiento humano) para descubrir automáticamente estos grupos de mensajes similares y presentarlos en la GUI. Esta funcionalidad hace que descubrir nuevos intentos y aplicar etiquetas sea más fácil y rápido, y suele ser el primer paso en el proceso de entrenamiento del modelo.
Después de completar una cantidad significativa de entrenamiento, o de añadir una cantidad significativa de datos al conjunto de datos, Discover volverá a entrenar y te presentará nuevos grupos de mensajes no revisados. Cuando Discover se reentrena, tiene en cuenta la taxonomía existente para presentarte nuevos clústeres que sigan siendo interesantes para ti.
- En segundo lugar, Discover permite a los usuarios anotar mensajes en masa, así como de forma individual, utilizando la función 'Cluster' (discutida anteriormente) o la función 'Buscar'. Como los mensajes de cada grupo deben contener intenciones y conceptos similares, la funcionalidad de anotación masiva es una herramienta útil para entrenar rápidamente el modelo.
La función de búsqueda te permite buscar términos o frases clave que sabes que pueden ser relevantes para ciertas etiquetas que deseas capturar.
Página Descubrir
