- 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
Entrenamiento con confianza baja
Permisos de usuario necesarios: 'Ver fuentes' Y 'Revisar y anotar'.
El último paso clave en Explorar es el entrenamiento utilizando el modo 'Baja confianza', que te muestra los mensajes que no están bien cubiertos por las predicciones de etiquetas informativas. Estos mensajes no tendrán predicciones o tendrán predicciones de muy baja confianza para las etiquetas que la plataforma entiende como informativas.
Las "etiquetas informativas " son aquellas etiquetas que la plataforma considera útiles como etiquetas independientes, al observar la frecuencia con la que se asignan a otras etiquetas.
Este es un paso muy importante para mejorar la cobertura general de tu modelo. Si ves mensajes que deberían tener etiquetas existentes previstas para ellos, esto es una señal de que necesitas completar más entrenamiento para esas etiquetas. Si ves mensajes relevantes para los que no se aplica ningunaetiqueta actual, puedes crear nuevas etiquetas para capturarlos.
Puedes asignar etiquetas a los mensajes en este modo de la misma manera que en cualquier otro modo Explorar.
Para acceder a este modo, utiliza el menú desplegable de la esquina superior izquierda de la página Explorar:
¿Cuánto entrenamiento debo hacer para este paso?
Este modo te presentará 20 mensajes a la vez, y debes completar una cantidad razonable de entrenamiento en este modo, pasando por varias páginas de mensajes y aplicando las etiquetas correctas, para ayudar a aumentar la cobertura del modelo (consulta aquí para una explicación detallada de cobertura).
La cantidad total de entrenamiento que necesitas completar en 'Baja confianza' dependerá de algunos factores diferentes:
- Cuánto entrenamiento has completado en Mezclar y enseñar : cuanto más entrenamiento realices en Mezclar y enseñar, más tu conjunto de entrenamiento debería ser una muestra representativa del conjunto de datos en su conjunto, y menos mensajes relevantes debería haber en 'Confianza baja' .
- El propósito del conjunto de datos : si el conjunto de datos está destinado a ser utilizado para la automatización y requiere una cobertura muy alta, entonces debes completar una mayor proporción de entrenamiento en 'Baja confianza' para identificar los diversos casos límite para cada etiqueta.
Como mínimo, debes intentar anotar cinco páginas de mensajes en este modo. Más adelante, en la fase Refinar , cuando compruebes tu cobertura, es posible que descubras que necesitas completar más entrenamiento en 'Baja confianza' para mejorar aún más tu cobertura.