- 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
- Información general
- Entrenamiento mediante clústeres
- Entrenamiento mediante Buscar (Discover)
- 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
Entrenamiento mediante clústeres
Permisos de usuario necesarios: 'Ver fuentes' Y 'Revisar y anotar'.
Una vez que tus datos estén en la plataforma, esta agrupará y mostrará 30 grupos de comunicaciones (mensajes) que cree que comparten conceptos o intenciones similares. El objetivo de esta parte del proceso de entrenamiento es pasar por cada uno de estos grupos y anotar los datos presentados en cada uno de ellos.
Este proceso hace que entrenar el modelo sea más fácil y rápido, ya que puedes añadir etiquetas a varios mensajes similares a la vez, así como añadir/eliminar etiquetas a mensajes individuales según sea necesario.
Consejos útiles para anotar clústeres:
- No pierdas demasiado tiempo pensando en el nombre de la etiqueta. Puedes cambiar el nombre de una etiqueta en cualquier momento durante el proceso de entrenamiento.
- Sea lo más específico posible al nombrar una etiqueta y mantenga la taxonomía lo más plana posible inicialmente (no agregue demasiadas etiquetas secundarias). Es mejor ser lo más específico posible con el nombre de tu etiqueta desde el principio, ya que siempre puedes cambiar y reestructurar la jerarquía más adelante. En esta etapa, debes añadir tantas etiquetas como sea posible a un mensaje, ya que siempre puedes volver atrás y eliminarlas más tarde, lo que es más rápido y fácil que expandir una etiqueta existente.
- Recuerda que suele ser más fácil crear una taxonomía más específica y detallada en primera instancia. Si es demasiado detallada, es fácil editar y 'recortar' tu taxonomía más tarde. Esto significa añadir más etiquetas y subetiquetas en lugar de menos
- Es bueno comenzar con etiquetas en una jerarquía plana (sin añadir demasiadas subetiquetas): siempre puedes reestructurar la taxonomía a una estructura más jerárquica más adelante
- Cada mensaje puede tener varias etiquetas asignadas: asegúrese de aplicar todas las etiquetas relevantes; de lo contrario, le enseñará al modelo a no asociarlo con la etiqueta que ha omitido
- Es mejor tomarse el tiempo para anotar cuidadosamente ahora, de modo que la máquina pueda predecir etiquetas de forma rápida y precisa en el futuro
- No todos los clústeres tendrán intenciones similares y está bien continuar si todos son diferentes
Cuando crees un nuevo conjunto de datos, es posible que Discover esté vacío, como se muestra a continuación. No te preocupes, esto se debe simplemente a que los algoritmos de la plataforma están ocupados trabajando en segundo plano para agrupar tus mensajes en grupos. Dependiendo del número de mensajes en el origen de datos, esto podría tardar unas horas en procesarse.
A continuación se muestra el diseño de Discover y un clúster de ejemplo. En este ejemplo, la plataforma ha detectado que estos mensajes comparten el tema común de la comodidad de las camas de hotel:
Diseño explicado:
A
: botón de alternancia para cambiar entre los modos "Cluster" y "Buscar"B
: menú desplegable que te permite cambiar entre diferentes clústeresC
: botón para aplicar una etiqueta a todos los mensajes mostrados en la páginaD
: uno de los seis mensajes mostrados del clúster n.º 7 (cada clúster contiene 12 mensajes)E
: botón para aplicar una etiqueta a un mensaje individualF
: menú desplegable para ajustar el número de mensajes que se muestran en la página (entre 6 y 12)G
: botones para ajustar e invertir la selección de mensajes en la páginaH
: botón para anular la selección de un mensaje y excluirlo de las etiquetas añadidas en masa
Como se destaca en la siguiente imagen, Discover destaca las partes de un mensaje que más contribuyen a que ese mensaje se incluya en el grupo, ayudándote a identificar los temas comunes más rápido:
Descubra los temas comunes destacados
- Las líneas más oscuras indican partes más importantesdel intervalo (esto se explica al pasar el ratón por encima)
- Las líneas de color más claro indican una contribución media y ligeramente más débil al clúster
1. Revisa cada mensaje del clúster
2. Si crees que hay una etiqueta que se aplica a todos los mensajes de la página, selecciona "Añadir etiqueta"
3.Escribe el nombre de la etiqueta y pulsa Intro o haz clic en el botón de anclaje que aparece (puedes añadir varias etiquetas a la vez de esta manera, simplemente escribe otra etiqueta y haz clic en el botón de anclaje de nuevo).
4. Haz clic en el botón " Aplicar etiquetas" para asignar las etiquetas a los mensajes. Las etiquetas asignadas aparecerán ahora debajo de cada mensaje en la página.
También puedes añadir una etiqueta a los mensajes individuales haciendo clic en el botón " Añadir etiqueta +" resaltado debajo.
Si quieres añadir una etiqueta a un grupo de mensajes en la página, pero deseas excluir uno o varios, puedes deseleccionarlos utilizando el botón de alternancia resaltado (A). A continuación, puedes invertir la selección o deseleccionar/volver a seleccionar todoutilizando los botones resaltados en la parte superior (B).
Puedes ver diferentes páginas del mismo grupo (A) y ajustar el número de mensajes por página (B) utilizando los botones resaltados. Una vez anotado el clúster, puedes pasar a un nuevo clúster utilizando la siguiente lista desplegable (C).
El modelo te presentará 30 clústeres y es importante trabajar en ellos para crear una base sólida para la fase Explorar. Sin embargo, si un clúster no es relevante para ti, sáltatelo.
Discover comienza a reentrenar después de completar una cantidad significativa de entrenamiento. Después de que se hayan anotado 180 mensajes (la mitad de los clústeres), Discover reentrenará y actualizará los clústeres. No se desanime, siga trabajando en ellos hasta que haya revisado al menos30.