- 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
- Create or delete a data source in the 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 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
- 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
Guía de usuario de Communications Mining
Entrenamiento con reproducción aleatoria
Se requiere permiso de usuario: 'Ver fuentes' Y 'Revisar y etiquetar'.
'Aleatorio' es el primer paso en Explorar y su propósito es proporcionar a los usuarios una selección aleatoria de mensajes para que los revisen. En el modo aleatorio, la plataforma te mostrará los mensajes que tengan predicciones que cubran todas las etiquetas (y donde no haya ninguna), por lo que el paso Aleatorio difiere de los demás en Explorar en que no se centra en una etiqueta específica para entrenar, sino que las cubre todas .
¿Por qué es tan importante entrenar con el modo 'Aleatorio'?
Es muy importante utilizar el modo aleatorio para garantizar que proporcionas a tu modelo suficientes ejemplos de entrenamiento que sean representativos del conjunto de datos en su conjunto, y que no estén sesgados al centrarse solo en áreas muy específicas de los datos.
En general, al menos el 10 % del entrenamiento que completes en tu conjunto de datos debe estar en modo aleatorio.
Anotar en modo aleatorio esencialmente ayuda a garantizar que tu taxonomía cubra bien los datos dentro de tu conjunto de datos, y evita que crees un modelo que pueda hacer predicciones con mucha precisión en solo una pequeña fracción de los datos dentro del conjunto de datos.
Por lo tanto, mirar los mensajes en modo aleatorio es una manera fácil de tener una idea de cómo está funcionando el modelo general, y puede consultarse durante todo el proceso de entrenamiento. En una taxonomía bien entrenada, deberías poder revisar cualquier mensaje no revisado en Shuffle y simplemente aceptar predicciones para entrenar aún más el modelo. Si encuentras que muchas de las predicciones son incorrectas, puedes ver qué etiquetas requieren más entrenamiento.
Pasar por varias páginas en Shuffle más adelante en el proceso de entrenamiento también es una buena manera de comprobar si hay intenciones o conceptos que no han sido capturados por tu taxonomía y deberían haberlo sido. A continuación, puedes añadir etiquetas existentes cuando sea necesario o crear nuevas si es necesario.
- Seleccione 'Aleatorio' en el menú desplegable para que se le presenten 20 mensajes aleatorios
- Filtrar a mensajes no revisados
- Revise cada mensaje y cualquier predicción asociada
- Si hay predicciones, debes confirmarlas o rechazarlas. Confirme haciendo clic en los que correspondan
- Recuerda que también debes añadir todas las demás etiquetas adicionales que correspondan
- Si rechaza las predicciones, debe aplicar todas las etiquetas correctas; no deje el mensaje sin etiquetas aplicadas
- También puedes pulsar el botón Actualizar para obtener un nuevo conjunto de mensajes, o hacer clic en la página siguiente (en la parte inferior)
Recomendamos anotar al menos 10 páginas de mensajes en Aleatorio como mínimo. En grandes conjuntos de datos con muchos ejemplos de entrenamiento, esto podría ser mucho más.
Debes tratar de completar aproximadamente el 10 % o más de todo el entrenamiento en modo aleatorio.
