- 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
Modelos
Un modelo de aprendizaje automático es esencialmente una representación matemática de un proceso del mundo real. Para crear modelos de aprendizaje automático, debes proporcionar algoritmos de aprendizaje automático con datos de entrenamiento de los que puedan aprender.
La plataforma utiliza una serie de modelos de aprendizaje automático (tanto supervisados como no supervisados) para interpretar, comprender y aplicar etiquetas a tus datos. A menudo utilizamos el término "modelo" en nuestra plataforma y en nuestra documentación para referirnos colectivamente a estos modelos que trabajan en segundo plano.
Cada conjunto de datos tiene un "modelo" asociado, que se entrena a medida que los usuarios revisan los mensajes dentro de la plataforma. A medida que el modelo se entrena, aprende y mejora, lo que le permite hacer mejores predicciones para las etiquetas y los campos generales.
Los modelos se pueden guardar y versionar. Esto significa que cuando los usuarios configuran un flujo de automatización, pueden seleccionar una versión específica del modelo y pueden confiar en el rendimiento de esa versión para la etiqueta en cuestión. Esto da a los usuarios determinismo a la hora de crear automatizaciones o utilizar los datos para análisis en aplicaciones posteriores. Para obtener más información, consulta la sección de modelos .