- 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
Anotación generativa (NUEVO)
La anotación generativa utiliza el punto final Azure OpenAI de Microsoft para generar etiquetas sugeridas por IA para acelerar el diseño de la taxonomía y las primeras fases del entrenamiento del modelo; y reducir el tiempo de creación de valor para todos los casos de uso de Communications Mining.
Incluye:
- Sugerencias de clúster: etiquetas nuevas o existentes sugeridas para clústeres en función de sus temas identificados
- Anotación asistida: predicciones automáticas para etiquetas basadas en los nombres o descripciones de las etiquetas.
Las características de Anotación generativa se habilitarán automáticamente en los conjuntos de datos; no es necesario que hagas nada para empezar a utilizarlas.
Una vez creado un conjunto de datos, las sugerencias de clústeres se generarán automáticamente en un breve periodo de tiempo. Si se ha cargado una taxonomía (muy recomendable), Communications Mining sugerirá tanto etiquetas existentes como nuevas para los clústeres.
Cuando se carga una taxonomía a un conjunto de datos, esto también activará automáticamente un modelo inicial que se entrenará sin datos de entrenamiento, solo utilizando nombres de etiquetas y descripciones; esto puede tardar unos minutos desde que hayas cargado la taxonomía.
- Para sugerencias de clústeres: ve a la pestaña Entrenar y selecciona un lote de clústeres o ve a la pestaña Descubrir y selecciona el modo Clúster para comenzar a anotar.
- Para la anotación asistida: ve a la pestaña Entrenar y sigue las acciones recomendadas, o ve a la pestaña Explorar y selecciona el modo Aleatorio o Enseñar etiqueta para empezar a anotar.
Requisito previo: permiso 'Revisar y anotar' /
Las sugerencias de clústeres aparecerán en la parte superior de cada página de clústeres (sombreado blanco con borde azul). Pueden ser una o varias etiquetas sugeridas para cada clúster.
Si tienes habilitado el análisis de sentimiento de etiqueta, las sugerencias de clúster tendrán un sentimiento positivo o negativo (sombreado blanco con borde verde o rojo).
Puedes saber que es una etiqueta sugerida por IA por el icono rojo brillante junto al nombre de la etiqueta.
Los formadores de modelos deben revisar cada sugerencia de clúster y:
- Acéptelo haciendo clic en él, o
- Asigne una nueva etiqueta si no está de acuerdo con la sugerencia dada.
Las sugerencias de clúster pueden acelerar significativamente la primera fase del proceso de entrenamiento del modelo al generar automáticamente etiquetas sugeridas para cada clúster.
También puede ayudar con el diseño de la taxonomía, si los usuarios tienen dificultades para definir los conceptos que quieren entrenar.
Las sugerencias de clúster se generan en función del tema identificado compartido en los mensajes dentro de un clúster.
La creación de clústeres y la generación de sugerencias de etiquetas es un proceso automático y completamente no supervisado que no requiere intervención humana.
Las sugerencias de etiquetas en los clústeres se generarán con o sin una taxonomía predefinida, pero las sugerencias se verán influenciadas y, por lo general, serán más útiles al aprovechar las etiquetas importadas/existentes.
Requisito previo 1: permiso 'Revisar y anotar'.
Requisito previo 2: lista importada de nombres de etiquetas.
Opcional pero muy recomendable: lista importada de descripciones de etiquetas.
Una vez que el modelo inicial se haya entrenado automáticamente utilizando nombres de etiquetas y descripciones como entrada de entrenamiento, aparecerán predicciones para muchos de los mensajes del conjunto de datos.
Estas predicciones funcionan exactamente de la misma manera que lo han hecho anteriormente: simplemente se generan sin datos de entrenamiento.
Si tienes habilitado el Análisis de sentimiento de etiqueta, las predicciones iniciales tendrán un sentimiento positivo o negativo (diferentes tonos de verde/rojo en función de su nivel de confianza).
La anotación asistida funciona en cualquier lote o modo de entrenamiento, pero es más eficaz utilizarla en "Aleatorio" y "Enseñar etiqueta" (sigue los pasos habituales de anotación en cada lote de entrenamiento en Entrenar o Explorar).
La anotación asistida puede acelerar significativamente la segunda fase del proceso de entrenamiento del modelo al generar automáticamente predicciones para cada etiqueta con suficiente contexto, sin necesidad de ejemplos de entrenamiento.
Las predicciones iniciales dependerán de la calidad de los nombres de las etiquetas y de las descripciones en lenguaje natural (es decir, los nombres vagos pueden dar lugar a predicciones vagas o mínimas). Las descripciones detalladas de las etiquetas pueden mejorar el rendimiento del modelo inicial.
A medida que entrenes más tu conjunto de datos, la plataforma utilizará tanto los nombres y descripciones de las etiquetas como tus ejemplos anclados para generar predicciones de etiquetas relevantes.
Estos seguirán mejorando con más entrenamiento y, en última instancia, solo se basarán en ejemplos de entrenamiento anotados cuando se hayan proporcionado suficientes.
La anotación asistida aún requiere un aprendizaje supervisado al aceptar/rechazar las predicciones, pero acelera la parte más lenta del entrenamiento del modelo al proporcionar mejores predicciones con cero o muy pocos ejemplos anclados.
