- 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
Habilitar sentimiento en un conjunto de datos
Permisos de usuario necesarios: 'Administrador de conjuntos de datos'.
Antes de comenzar el entrenamiento, deberás elegir si habilitar el análisis de sentimiento al crear tu conjunto de datos. Esta es una decisión importante, ya que afectará a la forma de etiquetar cada mensaje, así como al resultado de las predicciones de la plataforma.
Si eliges habilitar el análisis de sentimiento, cada vez que apliques una etiqueta deberás seleccionar si tiene un sentimiento positivo o negativo (no hay un sentimiento neutral).
Esto hace que el proceso de etiquetado sea un poco más lento; sin embargo, para los datos de comunicaciones más emotivas, proporciona una indicación muy útil del sentimiento general de cada etiqueta (es decir, si las personas están contentas con X o insatisfechas con Y).
¿Cuándo habilitaría el análisis de sentimientos?
El análisis de sentimiento es más útil para datos de comunicaciones más emotivas , como revisiones y encuestas de comentarios de clientes (o empleados), o tickets de soporte ychats, cuando se intenta obtener una sensación de satisfacción (o insatisfacción ) del cliente (o empleado) con respecto a varios temas.
El análisis de sentimiento no suele recomendarse para los datos de comunicaciones que suelen tener un tono neutro, como los buzones de correo compartidos para equipos BAU que interactúan entre sí o con homólogos externos (aunque puede haber excepciones). En este tipo de fuentes de datos, la opinión solo se expresa ocasionalmente, pero sería necesario asignar una opinión positiva o negativa a cada etiqueta si estuviera habilitada.
Para conjuntos de datos más neutrales, suele ser más fácil capturar el sentimiento con ciertas etiquetas inherentemente positivas o negativas, como "Frustración" o "Perseguidor", ya que hay muchos menos casos en los que el sentimiento es explícito.
Cómo habilitar el sentimiento se trata en el artículo anterior aquí.
