- 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
Mejorar el rendimiento de la entidad
Permisos de usuario necesarios: "Revisar y etiquetar".
Al igual que las etiquetas de entrenamiento, las entidades de entrenamiento son el proceso mediante el cual un usuario enseña a la plataforma qué entidades se aplican en un mensaje determinado utilizando varios modos de entrenamiento.
Al igual que con las etiquetas, los modos ' Enseñar', ' Comprobar' y ' Perdido' están disponibles para ayudar a entrenar y mejorar el rendimiento de las entidades y se puede acceder a ellos 1) en la página Explorar utilizando el menú desplegable de entrenamiento, o 2) siguiendo las acciones recomendadas en la pestaña Entidad de la página Validación.
Si una entidad específica tiene una advertencia de rendimiento, la plataforma recomienda la siguiente mejor acción que cree que ayudará a abordar esa advertencia, enumerada en orden de prioridad. Esto se mostrará cuando selecciones una entidad específica de la taxonomía o del gráfico "Todas las entidades".
Las siguientes sugerencias de mejores acciones actúan como enlaces en los que puedes hacer clic para llevarte directamente a la vista de entrenamiento que sugiere la plataforma para mejorar el rendimiento de la entidad. Las sugerencias se ordenan de forma inteligente con la acción de mayor prioridad para mejorar la entidad enumerada en primer lugar.
Esta es la herramienta más importante para ayudarte a comprender el rendimiento de tus entidades, y debe utilizarse regularmente como guía al intentar mejorar el rendimiento de la entidad.
La siguiente tabla resume cuándo recomienda la plataforma cada modo de entrenamiento de entidad:
| Enseñar entidad | Comprobar entidad | Entidad perdida |
|
- Mostrar predicciones para una etiqueta en la que el modelo es más confuso si se aplica o no - Para entidades de entrenamiento en mensajes no revisados |
: muestra mensajes en los que la plataforma cree que la entidad puede haber sido mal aplicada - Para las entidades de entrenamiento en los mensajes revisados para intentar encontrar y corregir cualquier inconsistencia |
: muestra los mensajes que la plataforma cree que pueden faltar en la entidad seleccionada - Para las entidades de entrenamiento en los mensajes revisados para intentar encontrar y corregir cualquier inconsistencia |
El uso de Teach Entity aumenta el rendimiento de la entidad, porque el modelo recibe nueva información sobre los mensajes de los que no está seguro, a diferencia de los que ya tiene predicciones muy fiables.
La plataforma recomienda 'Enseñar entidad' cuando:
- Hay una advertencia de rendimiento junto a una entidad (como se ve a continuación, cuando el min. 25 ejemplos no se han proporcionado)
- La puntuación F1 en una entidad determinada es baja
- Puede que no siempre haya un contexto obvio dentro del texto para una entidad, o que haya mucha variación dentro de los valores de la entidad para un tipo determinado
El uso de la entidad de verificación ayuda a identificar inconsistencias en el conjunto revisado, al tiempo que mejora la comprensión del modelo de la entidad, al garantizar que el modelo tiene ejemplos correctos y consistentes para hacer predicciones. Esto mejorará la recuperación de una entidad.
La plataforma recomienda "Comprobar entidad" cuando:
- Hay poca recuperación, pero alta precisión
- Las predicciones que hace la plataforma son muy precisas, pero la mayoría de las veces que se ha aplicado la entidad, no capta estos ejemplos
(Para obtener más detalles sobre los cálculos para la validación de entidades, consulta aquí)
El uso de la entidad perdida ayuda a encontrar ejemplos en el conjunto revisado que deberían tener la entidad seleccionada pero no la tienen. También ayudará a identificar mensajes parcialmente etiquetados que pueden ser perjudiciales para la capacidad del modelo para predecir una entidad. Esto mejorará la precisión de una entidad y garantizará que el modelo tenga ejemplos correctos y consistentes para hacer predicciones.
La plataforma recomienda 'Entidad perdida' cuando:
- Hay alta recuperación, pero baja precisión
- Predecimos muchas entidades incorrectamente, pero cuando las predecimos correctamente, captamos muchos de los ejemplos que deberían estar allí
(Para obtener más detalles sobre los cálculos para la validación de entidades, consulta aquí)
