- 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
- Uso de campos generales
- Extracción generativa
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Información de licencia
- Preguntas frecuentes y más
Reversión del modelo
Introducción
La función de reversión del modelo nos permite volver a una versión anterior de nuestro modelo, lo que nos permite restablecer los datos de entrenamiento (tanto para la etiqueta como para las anotaciones de campo generales) a las anotaciones utilizadas para entrenar esta versión del modelo.
Es importante tener en cuenta que solo podemos revertir a las versiones ancladas de los modelos.
Cómo utilizar esta característica
En la página "Modelos", el icono de reversión del modelo estará disponible en todas las versiones ancladas de nuestro modelo. Para continuar con la reversión del modelo, haz clic en el icono de reversión en la versión del modelo a la que deseas volver.
Es importante tener en cuenta que la versión actual del modelo entrenado se fijará automáticamente como copia de seguridad, pero se perderán las anotaciones capturadas por una versión del modelo que aún se esté entrenando.
Recomendamos permitir que la versión actual del modelo finalice el entrenamiento antes de revertir tu modelo. Aparecerá un módulo emergente para recordarnos esto, después de hacer clic en el botón de reversión. Si queremos continuar, podemos hacer clic en el botón "Restablecer".
Mientras el modelo se revierte, no podremos modificar el conjunto de datos. Esto significa que no podremos entrenar nuestro modelo durante este tiempo, ni aplicar etiquetas o campos generales a los mensajes. Aparecerá un indicador de advertencia en la parte superior, que nos informará de que el modelo se está revirtiendo actualmente.
Si intentamos modificar nuestro conjunto de datos, aparecerá el siguiente banner en la esquina inferior derecha de nuestra pantalla, y cualquier mensaje que intentemos anotar no tendrá la etiqueta o el campo general aplicado hasta que se haya completado la reversión del modelo.
Aunque la función de reversión está aquí para ayudarnos a revertir a una versión anterior de un modelo si hemos cometido algún error importante en el entrenamiento de nuestro modelo, no debemos confiar demasiado en ella.
En su lugar, deberíamos asegurarnos de que estamos siguiendo la metodología de entrenamiento de modelos adecuada la primera vez, ya que esto nos ahorrará tiempo a largo plazo.