- 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
Revisar y aplicar entidades
Permisos de usuario necesarios: 'Ver fuentes' Y 'Revisar y etiquetar'.
Las entidades previstas aparecen como texto resaltado en color, como en la primera línea del siguiente mensaje, con un color diferente para cada tipo de entidad diferente. Una vez que un usuario haya confirmado una entidad, ya sea aplicándola manualmente o aceptando una predicción, la entidad aparecerá como texto resaltado con un contorno más oscuro y en negrita como se muestra a continuación.
Si un párrafo tiene entidades asignadas, descartadas o aplicadas, aparecerá resaltado en gris, como se muestra en el cuerpo del mensaje a continuación.
Al revisar las entidades entrenables, es importante recordar que la plataforma aprenderá tanto de los valores de entidad que asignas, como del contexto en el que aparecen dentro de las comunicaciones, es decir, el otro lenguaje que se utiliza en torno a los valores en sí.
La plataforma tendrá en cuenta el contexto del idioma en el mismo párrafo que el valor de la entidad, así como los párrafos individuales (indicados por una nueva línea separada) directamente antes y después del párrafo en el que se encuentra la entidad.
Nota: para las entidades que no están configuradas como "entrenables", las predicciones de la plataforma se basan completamente en las reglas definidas dentro de la plataforma para esa entidad. Esto puede ser beneficioso cuando una entidad tiene que seguir un formato establecido para una automatización posterior, con cualquier valor incorrecto que provoque un fallo o una excepción.
Cuando la plataforma predice qué entidades se aplican a una comunicación, asigna a cada predicción una puntuación de confianza (%) para mostrar la confianza de que la entidad se aplica al fragmento de texto resaltado. Puedes ver la puntuación de confianza de una entidad pasando el ratón por encima de la entidad.
Esta puntuación de confianza también está disponible a través de la API para que pueda informar las acciones automatizadas realizadas posteriormente.
Una vez habilitadas las entidades (consulta aquí), la plataforma comenzará a predecirlas automáticamente en los mensajes de tu conjunto de datos. Los usuarios pueden aceptar las predicciones que sean correctas o rechazarlas cuando sean incorrectas. Cada una de estas acciones envía señales de entrenamiento que se utilizarán para mejorar la comprensión de la plataforma de esa entidad.
Para las entidades preentrenadas que se entrenan sin conexión (p. ej. Cantidad monetaria, URL, etc.), es más importante desde una perspectiva de mejora para los usuarios rechazar o corregir predicciones erróneas que aceptar predicciones correctas.
Para las entidades que entrenan en directo en la plataforma, es igualmente importante aceptar las predicciones correctas y rechazar las incorrectas. Sin embargo, no es necesario seguir aceptando muchos ejemplos correctos de cada entidad única para estos tipos (por ejemplo, Ejemplo Bank Ltd. es una entidad de organización única) si no encuentra los previstos incorrectamente.
La advertencia clave para esto es que si revisas cualquier entidad en un párrafo, debes revisar todas las demás entidades en ese párrafo.
Para revisar una predicción de entidad, pasa el ratón por encima de la predicción y aparecerá el modal de revisión de entidad, como se muestra en el siguiente ejemplo. Para aceptarla, haz clic en "Confirmar", para rechazarla, haz clic en "Descartar".
Las entidades y las etiquetas se pueden entrenar de forma independiente. Revisar las etiquetas de un mensaje no significa que tengas que revisar las entidades en ese mismo mensaje. Sin embargo, es una buena práctica hacer ambas cosas al mismo tiempo, ya que es el uso más eficiente de tu tiempo mientras entrenas el modelo.
Nota: es muy importante seguir las mejores prácticas que se explican a continuación cuando se entrenan entidades, especialmente en lo que respecta a no etiquetar parcialmente los párrafos.
Para entender lo bien que la plataforma es capaz de predecir cada entidad habilitada para un conjunto de datos (en particular las entrenables), consulta aquí.
Es importante que rechaces las predicciones de entidades incorrectas, pero si el texto resaltado fuera de hecho una entidad diferente (esto sería más común para las entidades relacionadas con fechas) que apliques la correcta después (consulta a continuación cómo aplicar entidades).
Para aplicar una entidad a un texto en el que la plataforma puede no haberlo previsto, los usuarios solo tienen que resaltar la sección de prueba como lo harían si fueran a copiarla.
Aparecerá un menú desplegable, como se muestra a continuación, que contiene todas las entidades que has habilitado para tu conjunto de datos. Simplemente haz clic en el correcto para aplicarlo, o pulsa el atajo de teclado correspondiente.
El atajo de teclado predeterminado para cada entidad es la letra con la que comienza. Si más de una entidad comienza con la misma letra, una se asignará aleatoriamente a la otra.
Una vez aplicada una entidad, se resaltará en color con un contorno en negrita (ver más abajo). Cada tipo de entidad tendrá su propio color específico.
Un valor para un tipo de entidad determinado no se puede dividir en varios párrafos. El valor completo debe estar contenido en un párrafo para que se extraiga como un valor de entidad.
Hay dos prácticas recomendadas muy importantes que se deben recordar al aceptar, rechazar o aplicar entidades dentro de los mensajes:
1. No dividir palabras
Es importante no dividir las palabras: la entidad resaltada debe cubrir la palabra completa (o varias) en cuestión, no solo una parte de ella (ver el ejemplo incorrecto a la izquierda a continuación, y la aplicación correcta a la derecha)
2. No etiquetes parcialmente los párrafos
Al etiquetar, si un usuario asigna una etiqueta a un mensaje, debe aplicar TODAS las etiquetas que podrían aplicarse a ese mensaje; de lo contrario, le enseñas al modelo que esas otras etiquetas no deben aplicarse. Lo mismo ocurre con las entidades, excepto que las entidades se revisan o aplican a nivel de párrafo, en lugar de a todo el mensaje.
Los párrafos de un mensaje están separados por nuevas líneas. La línea de asunto de un mensaje de correo electrónico se considera un único párrafo.
Asegúrate de revisar o aplicar todas las entidades dentro de un párrafo en todoslos tipos de entidad si revisas o aplicas una de ellas. Aplicar, aceptar o rechazar entidades en un párrafo significa que la plataforma trata el párrafo como "revisado" desde la perspectiva de la entidad. Por lo tanto, es importante aceptar o rechazar TODAS las predicciones de ese párrafo.
El siguiente ejemplo muestra los diferentes párrafos que se han revisado dentro del mensaje de correo electrónico.
El mensaje que se muestra a continuación muestra el mismo ejemplo en el que el usuario no ha aceptado o rechazado todas las predicciones de la entidad en un solo párrafo. Esto es incorrecto, ya que el modelo tratará erróneamente la entidad de cantidad monetaria como una predicción incorrecta.