- 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
Preparando datos para cargar archivos .CSV
Permisos de usuario necesarios: 'Administrador de fuentes' Y 'Editar mensajes'.
Puede encontrar instrucciones sobre cómo cargar datos desde un archivo .csv aquí, junto con los mensajes de error comunes que puedes encontrar en la plataforma.
Antes de cargar datos en Communications Mining, hay que tener en cuenta algunos factores a la hora de preparar los datos que va a incorporar la plataforma.
Asegúrese de cargar un archivo .csv y no un archivo de Excel.
Si has estado abriendo el archivo .csv en Excel y realizando cambios, esto puede dar lugar a problemas de formato que pueden causar problemas en el momento de la carga. Para evitar esto, asegúrese de que las actualizaciones se realicen en el archivo .csv directamente.
Además, compruebe lo siguiente antes de cargar su archivo .csv en la plataforma para evitar encontrar errores al cargar, o problemas de calidad de los datos que afectarán negativamente a la calidad del rendimiento del modelo:
Elemento | Descripción |
Duplicar filas | Tener los mismos datos repetidos varias veces en la extracción de datos |
Encabezados no coincidentes | Tener los encabezados incorrectos alineados con los campos de datos incorrectos |
Colgar filas o columnas | No tener todos los datos contenidos en filas secuenciales
Ejemplo: tener todos los mensajes en la fila 1 a 10 000, pero tener una fila con una celda que contiene datos en la fila 19 999. |
Formato de fecha inconsistente | Filas diferentes con formatos de fecha inconsistentes
Ejemplo: tener una cantidad de mensajes en formato de fecha de EE. UU. y una cantidad de mensajes en formato de fecha de la UE, todos en el mismo conjunto de datos, ya que esto tendrá problemas para normalizar en sentido descendente. |
Oraciones incoherentes | Son oraciones que contienen una variedad de palabras sin una estructura sintáctica o semántica clara.
Ejemplo: "El usuario solicita la creación de un nuevo ticket portátil 28442 298 portátil" |
Espaciado inconsistente | Cuando hay un número irregular de espacios entre palabras.
Ejemplo: en lugar de "La política está configurada para renovarse" |
Pausas en las palabras | Cuando hay pausas en medio de una palabra, cuando no debería haberlas.
Ejemplo: 'La política está establecida. renovar' en lugar de 'La política está configurada para renovar' |
Codificación de caracteres errónea | Cuando los datos de texto no están codificados correctamente, lo que da lugar a caracteres ilegibles o ilegibles.
Ejemplo: "La aplicación es genial" en lugar de "La aplicación es genial". |
Mensajes en blanco | Comunicaciones sin ningún contenido incluido en el asunto/cuerpo |
Mensajes con muchos errores tipográficos | Datos de texto que contienen muchos errores de ortografía |
Encabezados/pies de página | Cuando se incluyen encabezados o pies de página
Ejemplo: advertencias de spam, advertencias de análisis de virus, etc. |
Metadatos incluidos en el asunto/cuerpo en lugar de como una propiedad de metadatos | Cuando se incluyen metadatos en el asunto o el cuerpo
Ejemplo: "[01/01/2023] Me gustaría renovar mi póliza" como el cuerpo de un mensaje, en lugar de "Me gustaría renovar mi póliza" como el mensaje con 01/01/2023 como fecha incluida en los metadatos. |
Varios mensajes combinados en un mensaje | Cuando hay varios mensajes que deberían haberse dividido en mensajes separados en un hilo, combinados en una sola comunicación. |