Communications Mining
Más reciente
False
- 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
Mejores prácticas de diseño de taxonomía
Guía de usuario de Communications Mining
Última actualización 18 de abr. de 2024
Mejores prácticas de diseño de taxonomía
Recomendamos seguir estas mejores prácticas para estructurar tu taxonomía correctamente y garantizar un alto rendimiento del modelo:
- Alineación de objetivos: asegúrate de que cada etiqueta tenga un propósito empresarial específico y esté alineada con tus objetivos definidos.
- Distinto: es importante que cada etiqueta sea específica en lo que intenta capturar y no se superponga con otras etiquetas.
- Específico: evita utilizar conceptos amplios, vagos o confusos, ya que es más probable que tengan un mal rendimiento y es menos probable que aporten valor empresarial. Intente dividir las etiquetas amplias en varias etiquetas distintas, si es posible. Es mejor ser demasiado específico con las etiquetas inicialmente (es decir, más niveles de jerarquía) y fusionarlas más tarde si es necesario, en lugar de tener que desglosar etiquetas muy amplias manualmente.
- Identificable: asegúrate de que cada etiqueta sea claramente identificable a partir del texto de los mensajes a los que se aplica.
- Etiqueta principal: utiliza una etiqueta principal si esperas tener un número significativo de otros conceptos similares relacionados con este tema más amplio.
- Etiqueta secundaria: asegúrate de que cada etiqueta anidada bajo otra etiqueta sea un subconjunto de esa etiqueta.
- Niveles de jerarquía: en general, intenta no añadir más de cuatro niveles de jerarquía, ya que el modelo se vuelve cada vez más complejo de entrenar.
- Nombre de la etiqueta: no pierdas demasiado tiempo pensando en el nombre perfecto de la etiqueta, ya que las etiquetas siempre se pueden cambiar de nombre más adelante.
- Descripción de la etiqueta: añade descripciones de etiquetas a tus etiquetas (accediendo a "Etiquetas y entidades" en Configuración) para garantizar la coherencia del etiquetado, lo que es especialmente útil si tienes varias personas entrenando el modelo.
- No informativo: crea algunas etiquetas que no añaden valor, por ejemplo correos electrónicos de agradecimiento, para que puedas decirle a la plataforma qué es/no es importante analizar.