communications-mining
latest
false
- 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 anotados y no anotados
- Campos extraídos
- 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 o eliminar un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- Preparando datos para cargar archivos .CSV
- Crear un nuevo conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración del 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
- 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
- Comprender los requisitos de datos
- 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
Mejores prácticas de diseño de taxonomía
Importante :
Este contenido se ha traducido mediante traducción automática.
La localización de contenidos recién publicados puede tardar entre una y dos semanas en estar disponible.

Guía de usuario de Communications Mining
Última actualización 10 de feb. de 2025
Mejores prácticas de diseño de taxonomía
Elementos clave de la taxonomía
-
Número de etiquetas: los conjuntos de datos típicos tienen entre 50 y 100 etiquetas, pero este número puede variar en función de los objetivos de un conjunto de datos. Un caso de uso efectivo puede tener mucho menos de 50 etiquetas. El sistema impone un límite de 200 etiquetas para un conjunto de datos porque más allá de este punto, la taxonomía se vuelve muy difícil de gestionar y entrenar, y conduce a una reducción del rendimiento.
- Nombres de etiquetas: los nombres de las etiquetas deben ser concisos y descriptivos porque la característica Anotación generativa los utiliza como entrada de entrenamiento para acelerar y mejorar el proceso de entrenamiento. Siempre puedes editarlos, pero para garantizar que se muestren de forma efectiva en la IU de la plataforma, se establece un límite de caracteres de 64 caracteres para cualquier etiqueta, incluidos sus niveles de jerarquía.
- Descripciones de etiquetas: añade descripciones en lenguaje natural a tus etiquetas, ya que la característica Anotación generativa las utiliza como entrada de entrenamiento para el entrenamiento automático. Las descripciones también ayudan a garantizar la coherencia de las anotaciones entre los entrenadores de modelos y proporcionan un contexto útil a otras personas que ven el conjunto de datos con fines analíticos.
Estructurar su taxonomía
Recomendamos seguir estas mejores prácticas para estructurar tu taxonomía correctamente y garantizar un alto rendimiento del modelo:
- Alinearse con los objetivos: asegúrate de que cada etiqueta tenga un propósito empresarial específico y esté alineada con tus objetivos definidos. Si tu conjunto de datos está destinado a la automatización, muchas etiquetas deben coincidir con las solicitudes específicas necesarias para el procesamiento posterior. Si tu conjunto de datos está destinado a análisis (o ambos), incluye etiquetas adicionales que cubran conceptos como tipos de problemas, causas raíz y problemas de calidad de servicio, como mensajes de seguimiento, escalaciones y disputas.
- Ser distinto: cada etiqueta debe ser específica y no superponerse con otras etiquetas.
- Sea específico: evite los conceptos amplios, vagos o confusos, ya que es más probable que tengan un rendimiento deficiente y proporcionen menos valor empresarial. Divida las etiquetas amplias en varias etiquetas distintas si es posible. Comience con etiquetas específicas, como más niveles de jerarquía, y combínelas más tarde si es necesario, en lugar de desglosar etiquetas amplias manualmente.
- Ser identificable: asegúrate de que cada etiqueta sea claramente identificable a partir del texto de los mensajes a los que se aplica.
- Utiliza etiquetas principales: si esperas tener muchos conceptos similares relacionados con un tema más amplio, utiliza una etiqueta principal.
- Usar etiquetas secundarias:asegúrate de que cada etiqueta anidada bajo otra etiqueta sea un subconjunto de esa etiqueta.
- Limitar los niveles de jerarquía: intenta no añadir más de cuatro niveles de jerarquía, ya que el modelo se vuelve cada vez más complejo de entrenar.
- Incluir etiquetas no informativas: crea algunas etiquetas que no añaden valor, como correos electrónicos de agradecimiento, para que puedas decirle a la plataforma qué es o no importante analizar.