- 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
Explorar
Permisos de usuario necesarios: 'Ver fuentes' Y 'Ver etiquetas'.
The Explore page allows you to search, review and filter a dataset to inspect and review individual messages and general fields. You can navigate the Explore page by clicking 'Explore' on the top navigation bar.
De forma predeterminada, Explorar presenta los 20 mensajes más recientes de un conjunto de datos en el modo "Reciente ". Puedes hacer clic en el selector de modo desplegable en la esquina superior izquierda de la página para cambiar esto.
Las diferentes opciones que puedes seleccionar en el menú desplegable son:
- Recientes : ver los 20 mensajes más recientes
- Aleatorio : ver 20 mensajes aleatorios
- Enseñar : muestra 20 mensajes que la plataforma no está segura de cómo anotar
- Confianza baja : muestra 20 mensajes que no están bien cubiertos por las predicciones de etiquetas informativas
- Reequilibrar : muestra 20 mensajes que están subrepresentados por los datos de entrenamiento en tu conjunto de datos
- Etiqueta : ver 20 mensajes con la etiqueta seleccionada asignada/predicha (este es el modo predeterminado cuando se selecciona una etiqueta)
- Comprobar etiqueta : ver 20 mensajes que pueden tener la etiqueta seleccionada aplicada incorrectamente
- Etiqueta perdida : ver 20 mensajes a los que les puede faltar la etiqueta seleccionada
En la parte inferior de la página, puedes hacer clic para pasar a la siguiente página de 20 mensajes, o volver a una página anterior.
La barra de filtro en el lado izquierdo de la página (como se muestra a continuación) te permite encontrar grupos específicos de mensajes.
Desde esta barra de filtro puedes filtrar a:
- Intervalos de fechas específicos (elija fechas exactas o seleccione entre opciones como la última semana, mes, 90 días o año)
- Mensajes revisados o no revisados
- mensajes con predicciones de sentimiento positivas o negativas (si el sentimiento está habilitado en el conjunto de datos)
- Añade cualquier filtro basado en las propiedades de metadatos asociadas a tus mensajes (haz clic en "Añadir un nuevo filtro")
- Filter to messages that have specific general fields predicted or assigned
- Filtra los mensajes que tienen (o no tienen) una etiqueta específica o una combinación de etiquetas predichas (consulta el artículo sobre Filtros de predicción avanzados para obtener más detalles)
Al hacer clic en "Añadir un nuevo filtro", el menú desplegable muestra una lista completa de todos los filtros de propiedad disponibles.
Estos se agrupan naturalmente por categorías, y algunos son exclusivos del tipo de comunicación en el conjunto de datos, por ejemplo correo electrónico.
Las categorías de propiedades en las que se agrupan las propiedades son:
- Origen : solo aparece si hay más de un origen en el conjunto de datos
- Correo electrónico : son específicos de correos electrónicos individuales, por ejemplo, quién lo envió
- Hilo : son específicos del correo electrónico y se relacionan con las características de los hilos de correo electrónico
- Archivo adjunto : específico para mensajes (principalmente correos electrónicos) con propiedades de archivo adjunto específicas.
- Usuario : todas las demás propiedades de metadatos cargadas (y no derivadas por la plataforma) con cada mensaje
A la izquierda de cada propiedad, un icono indica el tipo de propiedad, ya sea un número o una cadena. Para las propiedades de usuario de cadena, la plataforma proporciona un valor de ejemplo al pasar el ratón por encima (ver más abajo).
Cuando añades un filtro a los campos de metadatos con un formato de cadena, podrás elegir cuál incluir o excluir en tu selección (como se muestra en los dos ejemplos siguientes):
Si añades un filtro a los campos de metadatos con un formato numérico, podrás seleccionar valores mínimos o máximos (como se muestra a continuación), para crear un rango de tu elección:
Para eliminar un filtro que hayas aplicado, simplemente haz clic en el icono de la papelera que aparece al pasar el ratón por encima (como se muestra a continuación), o selecciona "Borrar todo" en la parte superior de la barra de filtros, para eliminar todos los filtros aplicados .
Puedes utilizar la barra de filtro de etiquetas para filtrar los mensajes que tienen (o no tienen) etiquetas específicas predichas, ya sea durante el entrenamiento del modelo o mientras exploras e interpretas tus datos. Para ver cómo funcionan con más detalle, consulta el artículo sobre Filtros de predicción avanzados aquí.
Puedes utilizar los botones de la parte superior de la barra de etiquetas para filtrar entre mostrar todos los mensajes, aquellos a los que se les han asignado etiquetas o aquellos con predicciones (que no se han revisado). Los iconos se muestran a continuación, y cambian de color cuando se seleccionan:
| Seleccionar mensajes que tengan etiquetas asignadas | |
| Seleccionar mensajes que tengan etiquetas predichas |
Para anular la selección del filtro, simplemente haz clic de nuevo en el botón.
Si no seleccionas ningún botón, pero filtras a una etiqueta, la plataforma filtrará a todos los mensajes que tengan la etiqueta fijada o predicha, empezando por los mensajes revisados.
La barra de filtro de etiquetas y '+ Añadir filtro de etiqueta' te permiten añadir combinaciones complejas o filtros de inclusión y exclusión (p. ej. mostrarme mensajes con X e Y previstos, pero no Z). Para obtener más información sobre cómo utilizarlos, consulta el artículo "Filtros de predicción avanzados" aquí.
Indicador de entrenamiento de la esfera roja:
- El indicador de entrenamiento de la esfera roja (consulta aquí la explicación) junto a algunas etiquetas destaca aquellas que requieren más ejemplos de entrenamiento para que la plataforma evalúe con precisión el rendimiento de la etiqueta
- La completitud del círculo indica cuántos ejemplos más se necesitan. Cuanto mayor sea la sección roja, más ejemplos se necesitarán
- Una vez que tenga 25 ejemplos anotados, el círculo rojo desaparecerá (sin embargo, dependiendo de la complejidad de la etiqueta, es posible que necesite más ejemplos para obtener predicciones precisas)
- Debes revisar los mensajes para encontrar más ejemplos de entrenamiento.
Para los conjuntos de datos que contienen correos electrónicos, estos se muestran mostrando el correo electrónico que coincide con el orden de clasificación seleccionado (p. ej. Enseñar etiqueta, Etiqueta perdida, etc.), pero con fácil acceso a los otros correos electrónicos que están en el mismo hilo de correo electrónico.
En el siguiente ejemplo, puedes ver que el correo electrónico ordenado está en un hilo de tres correos electrónicos, y este es el tercer correo electrónico del hilo.
Al hacer clic en el icono de la flecha bidireccional debajo del asunto, puedes expandir el hilo del correo electrónico para mostrar vistas parciales de los otros correos electrónicos del hilo, como se ve a continuación:
Si vuelves a hacer clic en cualquiera de los correos electrónicos parcialmente expandidos, se expandirán por completo como el correo electrónico ordenado original, como se ve a continuación:
