- 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
- Eliminar una fuente
- 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)
- Estado de Dastaset
- 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
Generar tus extracciones
- El proceso de validación de extracción es necesario para comprender el rendimiento de estas extracciones a través de Validación.
Decide la extracción que quieres entrenar. Usamos Informe > Extracto de cuentas como ejemplo de un esquema que queremos entrenar.
Para automatizar este proceso, extrae los siguientes puntos de datos para introducirlos en un sistema posterior:
Nota: Esto solo es aplicable si estás entrenando en Explorar. En Entrenar, hacer clic en un lote de entrenamiento de extracción precarga las extracciones.Utiliza este modo de entrenamiento según sea necesario para aumentar el número de ejemplos de entrenamiento para cada extracción (es decir, un conjunto de campos asignados a una etiqueta) a al menos 25, permitiendo que el modelo estime con precisión el rendimiento de la extracción.
- Ve a Explorar y luego a Etiqueta, y selecciona la etiqueta en la que quieres generar extracciones.
- Selecciona Predecir extracciones. Predecir extracciones genera extracciones por página en Explorar (es decir, esto aplica predicciones en todos los comentarios de una página determinada).
Nota: Cada vez que vayas a la página siguiente, deberás volver a seleccionar Predecir extracciones .
También puedes generar extracciones a nivel de comentario individual . Selecciona Anotar campos y, a continuación, el icono Predecir extracciones .
- El modelo utiliza modelos generativos y asigna cada uno de los puntos de datos que has definido previamente (en nuestro esquema de extracción), para relacionarlos con una intención (etiqueta).
- Los extrae y los devuelve en un esquema estructurado, para que una SME los revise y los confirme.
- El esquema estructurado está diseñado para habilitar automatizaciones más complejas, y está estructurado en formato JSON en la API para su consumo por parte de cualquier automatización posterior.
- Después de hacer las predicciones de extracción, si el modelo recogió extracciones de campo en el comentario, resalta el intervalo relevante en el texto (si corresponde). El modelo muestra el valor extraído en el lado derecho. Consulta la página Validar y anotar extracciones para aprender a validar los valores predichos.