- 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
- 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)
- 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
- Definir y configurar tus campos generales
- Comprender los campos generales
- ¿Qué campos generales preentrenados están disponibles?
- Habilitar, deshabilitar, actualizar y crear campos generales
- Filtrado general de campos
- Revisar y aplicar campos generales
- Validación para campos generales
- Mejorar el rendimiento general del campo
- Crear campos generales personalizados de expresiones regulares
- Extracción generativa
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Preguntas frecuentes y más
![](https://docs.uipath.com/_next/static/media/grid.05ebd128.png?w=3840&q=100)
Mejorar el rendimiento general del campo
Permisos de usuario necesarios: 'Revisar y anotar'.
Al igual que las etiquetas de entrenamiento, el entrenamiento de los campos generales es el proceso mediante el cual un usuario enseña a la plataforma qué campos generales se aplican en un mensaje determinado utilizando varios modos de entrenamiento.
Al igual que con las etiquetas, los modos ' Enseñar', ' Verificar' y ' Perdido' están disponibles para ayudar a entrenar y mejorar el rendimiento de los campos generales y se puede acceder a ellos 1) en la página Explorar utilizando el menú desplegable de entrenamiento, o 2) por siguiendo las acciones recomendadas en la pestaña Campos generales de la página Validación.
Si un campo general específico 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 un campo general específico de la taxonomía o del gráfico Todos los campos generales.
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 general del campo. Las sugerencias se ordenan de forma inteligente con la acción de mayor prioridad para mejorar el campo general enumerado en primer lugar.
Esta es la herramienta más importante para ayudarte a comprender el rendimiento de tus campos generales, y debe utilizarse regularmente como guía cuando se intenta mejorar el rendimiento general de los campos.
La siguiente tabla resume cuándo recomienda la plataforma cada modo de entrenamiento de campo general:
Enseñar campo general | Marcar campo general | Falta el campo general |
- Mostrar predicciones para una etiqueta en la que el modelo es más confuso si se aplica o no - Para entrenar campos generales en mensajes no revisados |
: muestra los mensajes en los que la plataforma cree que el campo general puede haberse aplicado incorrectamente - Para entrenar campos generales en mensajes revisados para tratar de encontrar y corregir cualquier inconsistencia |
: muestra los mensajes que la plataforma cree que pueden faltar en el campo general seleccionado - Para entrenar campos generales en mensajes revisados para tratar de encontrar y corregir cualquier inconsistencia |
El uso del campo Enseñar general aumenta el rendimiento general del campo, 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 campos generales" cuando:
- Hay una advertencia de rendimiento junto a un campo general (como se ve a continuación, cuando el campo mín. 25 ejemplos no se han proporcionado)
- La puntuación F1 en un campo general determinado es baja
- Puede que no siempre haya un contexto obvio dentro del texto para un campo general, o que haya mucha variación dentro de los valores de campo generales para un tipo determinado
El uso de Comprobar campo general ayuda a identificar inconsistencias en el conjunto revisado, al tiempo que mejora la comprensión del modelo del campo general, al garantizar que el modelo tiene ejemplos correctos y coherentes para hacer predicciones. Esto mejorará la recuperación de un campo general.
La plataforma recomienda Comprobar campos generales cuando:
- Hay poca recuperación, pero alta precisión
- Las predicciones que hace la plataforma son muy precisas, pero la mayoría de las veces en las que se ha aplicado el campo general, no detecta estos ejemplos
(Para obtener más detalles sobre los cálculos para la validación general de campos, consulta aquí)
El uso del campo general perdido ayuda a encontrar ejemplos en el conjunto revisado que deberían tener el campo general seleccionado pero no lo tienen. También ayudará a identificar mensajes parcialmente anotados que pueden ser perjudiciales para la capacidad del modelo para predecir un campo general. Esto mejorará la precisión de un campo general y garantizará que el modelo tenga ejemplos correctos y coherentes a partir de los cuales hacer predicciones.
La plataforma recomienda Campo general perdido cuando:
- Hay alta recuperación, pero baja precisión
- Estamos prediciendo incorrectamente muchos campos generales, pero cuando los predecimos correctamente, captamos muchos de los ejemplos que deberían estar allí
(Para obtener más detalles sobre los cálculos para la validación general de campos, consulta aquí)