- 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
Etiquetas (predicciones, niveles de confianza, jerarquía, etc.)
Una etiqueta es un resumen estructurado de una intención o concepto expresado en un mensaje. Un mensaje suele estar resumido por varias etiquetas, es decir, una etiqueta no es una clasificación mutuamente excluyente del mensaje.
Por ejemplo, en un conjunto de datos que supervisa la experiencia del cliente, podríamos crear una etiqueta llamada "Notificación de factura incorrecta", que describe cuándo un cliente informa a la empresa de que ha recibido lo que cree que es una factura incorrecta.
Las acciones de creación y edición de etiquetas se realizan principalmente en las páginas Explorar y Descubrir .
Anclado frente a previsto
Las etiquetas las crean inicialmente los usuarios aplicando una a un mensaje relevante. Los usuarios pueden seguir aplicándolas para crear ejemplos de entrenamiento para el modelo, y la plataforma comenzará a predecir automáticamente la etiqueta en el conjunto de datos donde sea relevante.
Una etiqueta que ha sido aplicada por un usuario a un mensaje se considera "fijada", mientras que las que la plataforma asigna a los mensajes se conocen como predicciones de etiquetas. Para obtener más información, consulta aquí para obtener más información sobre los mensajes revisados y no revisados.
Niveles de confianza
Cuando la plataforma predice si una etiqueta se aplica a un mensaje que no ha sido revisado por un usuario, proporciona un nivel de confianza (%) para esa predicción de etiqueta. Cuanto mayor sea el nivel de confianza, más confianza tendrá la plataforma en que se aplica la etiqueta.
Las etiquetas están sombreadas por el nivel de confianza que la plataforma tiene en las etiquetas previstas. Cuanto más opaca sea la etiqueta, mayor será la confianza de la plataforma en que se aplica la etiqueta.
Jerarquía de etiquetas
Las etiquetas se pueden organizar en una estructura jerárquica para ayudarte a organizar y entrenar nuevos conceptos más rápidamente.
Esta jerarquía toma un formato como este: [Etiqueta principal] > [Etiqueta de rama 1] > [Etiqueta de rama n] > [Etiqueta secundaria]
Una etiqueta puede ser una etiqueta principal independiente, o tener etiquetas secundarias y de rama (separadas por '>') que forman subconjuntos de las etiquetas anteriores en la jerarquía.
Cada vez que se ancla o predice una etiqueta secundaria o una etiqueta de rama, el modelo considera que los niveles anteriores de la jerarquía también se han anclado o predicho. Las predicciones para las etiquetas principales suelen tener niveles de confianza más altos que los niveles inferiores de la jerarquía, ya que suelen ser más fáciles de identificar.
Para obtener más información sobre las jerarquías de etiquetas, consulta aquí.
Sentimiento de la etiqueta
Para los conjuntos de datos con el análisis de sentimiento habilitado, cada etiqueta (tanto anclada como predicha) tiene un sentimiento positivo o negativo asociado indicado por un color verde o rojo (como las predicciones de sentimiento positivo a continuación).
Los diferentes niveles de una jerarquía de etiquetas pueden tener diferentes predicciones de sentimiento; por ejemplo, una reseña podría ser positiva en general sobre una 'Propiedad' pero ser negativa sobre la 'Propiedad > Ubicación'.
