- 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
Descripción general del proceso de entrenamiento del modelo
El entrenamiento de un modelo se puede dividir en un proceso de tres fases:
En primera instancia, es una buena práctica seguir estos pasos en orden, pero esto puede ser un proceso iterativo. Es posible que con el tiempo descubras que para diferentes etiquetas, puedes cortar y cambiar los diferentes pasos a medida que te familiarizas con la plataforma.
Discover
Descubrir es donde las intenciones, los patrones y los temas de conversación similares se agrupan en "clústeres". Este es el punto de partida y se utiliza para crear rápidamente un modelo inicial en el que se analizan los datos y se etiqueta cada grupo con una o más etiquetas aplicables.
Explorar
Después de revisar los clústeres en Descubrir, se utiliza Explorar para seguir entrenando tu modelo. La mayor parte de tu tiempo lo dedicarás a revisar mensajes, añadir etiquetas y mejorar la comprensión de tus datos por parte del modelo.
Refinar
Esta etapa se utiliza para evaluar y mejorar el rendimiento general de tu modelo. En esta etapa, la plataforma proporciona comentarios guiados sobre el estado de tu modelo a través de la Calificación del modelo, incluidos los problemas de rendimiento y las siguientes mejores acciones para resolverlos.
Las fases Descubrir, Explorar y Refinar ahora se pueden completar utilizando la pestaña Entrenar. Para obtener más información, consulta la página Entrenar .
Podar/Reorganizar
Esta es una parte del proceso de entrenamiento del modelo que puedes hacer en cualquier momento: cambiar el nombre, fusionar o eliminar etiquetas a medida que avanzas en el proceso. El proceso se explica en detalle en la página Explorar .