- 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
Introducción a Refinar
La tercera fase, y el paso final del proceso de entrenamiento, se llama ' Perfeccionar'. El propósito de esta etapa es comprender el rendimiento de tu modelo y refinarlo hasta que funcione según lo requerido. Esto implica mejorar las etiquetas específicas que no funcionan como se espera, garantizar que se han capturado todos los conceptos de etiqueta relevantes y asegurarse de que los datos de entrenamiento sean una representación equilibrada del conjunto de datos en su conjunto.
La plataforma está diseñada para ser completamente transparente para los usuarios en lo que respecta al rendimiento del modelo, y muy flexible cuando se trata de mejorar el rendimiento en las áreas que lo requieren. Para cualquier caso de uso, querrás estar seguro de que tu modelo captura una representación precisa de lo que hay en tu conjunto de datos, y esta fase del entrenamiento ayuda a garantizar que puedas hacerlo.
Esta sección de la Base de conocimientos cubrirá en detalle los pasos descritos a continuación, pero comenzará con explicaciones detalladas de precisión y recuperación, cómo funciona la validación y cómo comprender los diferentes aspectos del rendimiento del modelo.
Pasos clave
Revisar la calificación del modelo : este paso se trata de comprobar tu calificación del modelo en Validación y ver dónde cree la plataforma que puede haber problemas de rendimiento con tu modelo, así como orientación sobre cómo abordarlos. Esta sección incluye detalles sobre la comprensión y la mejora del rendimiento del modelo.
Refinar el rendimiento de las etiquetas : este paso consiste en realizar acciones, recomendadas por la plataforma, para mejorar el rendimiento de tus etiquetas. Estos incluyen el uso de los modos de entrenamiento 'Comprobar etiqueta' y 'Etiqueta perdida', que te ayudan a abordar posibles inconsistencias en tus anotaciones, así como el modo 'Enseñar etiqueta' (tratado con más detalle en la fase Explorar aquí)
Aumentar la cobertura : este paso ayuda a garantizar que la mayor parte posible de tu conjunto de datos esté cubierto por predicciones de etiquetas significativas.
Mejorar el equilibrio : este paso consiste en garantizar que tus datos de entrenamiento sean una representación equilibrada del conjunto de datos en su conjunto. Mejorar el equilibrio en el conjunto de datos ayuda a reducir el sesgo de anotación y a aumentar la fiabilidad de las predicciones realizadas.
