- 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 mediante Teach Label (Explorar)
Permisos de usuario necesarios: 'Ver fuentes' Y 'Revisar y anotar'.
Introducción al uso de 'Enseñar etiqueta'
'Enseñar' es el segundo paso de la fase Explorar y su propósito es mostrar predicciones para una etiqueta en la que el modelo es más confuso si se aplica o no. Al igual que en los pasos anteriores, debemos confirmar si la predicción es correcta o incorrecta y, al hacerlo, proporcionar al modelo señales de entrenamiento sólidas. Es el modo de entrenamiento específico de la etiqueta más importante.
Pasos clave
- Selecciona Enseñar en el menú desplegable de la parte superior izquierda como se muestra
- Selecciona la etiqueta que deseas entrenar: la selección predeterminada en el modo Enseñar es mostrar los mensajes no revisados
- Se te presentará una selección de mensajes en los que el modelo está más confundido en cuanto a si la etiqueta seleccionada se aplica o no: revisa las predicciones y aplica la etiqueta si son correctas, o aplica otras etiquetas si son incorrectas
- Las predicciones oscilarán entre ~50 % para datos sin sentimiento y 66 % para datos con sentimiento habilitado
- Recuerde aplicar todas las demás etiquetas aplicables, así como la etiqueta específica en la que se está centrando
Debes utilizar este modo de entrenamiento según sea necesario para aumentar el número de ejemplos de entrenamiento para cada etiqueta por encima de 25, por lo que la plataforma puede estimar con precisión el rendimiento de la etiqueta.
El número de ejemplos necesarios para que cada etiqueta funcione bien dependerá de una serie de factores. En la fase "Perfeccionar" explicamos cómo entender y mejorar el rendimiento de cada etiqueta.
La plataforma recomendará regularmente el uso de 'Enseñar etiqueta' como medio para mejorar el rendimiento de etiquetas específicas proporcionando ejemplos de entrenamiento más variados que puede utilizar para identificar otras instancias de tu conjunto de datos en las que debería aplicarse la etiqueta.
¿Qué hacemos cuando no hay suficientes ejemplos de 'enseñar'?
Después de Descubrir y Aleatorio, es posible que algunas etiquetas aún tengan muy pocos ejemplos, y que el modo "Enseñar etiqueta" no muestre ejemplos de entrenamiento útiles. En este caso, sugerimos utilizar los siguientes modos de entrenamiento para proporcionar a la plataforma más ejemplos de los que aprender:
Opción 1: 'Buscar'
Buscar términos o frases en Explorar funciona igual que buscar en Descubrir. Una de las dos diferencias clave es que en Explorar debes revisar y anotar los resultados de búsqueda de forma individual, en lugar de hacerlo de forma masiva. Puedes buscar en Explorar simplemente escribiendo tu término de búsqueda en el cuadro de búsqueda de la parte superior izquierda de la página.
Sin embargo, demasiada búsqueda puede sesgar tu modelo, algo que queremos evitar. No añadas más de 10 ejemplos por etiqueta en este modo de entrenamiento para evitar el sesgo de anotación. También es importante dar tiempo a la plataforma para que se vuelva a entrenar antes de volver al modo "Enseñar".
Para obtener más información sobre cómo utilizar Buscar en Explorar, haz clic aquí.
Opción 2: "Etiqueta"
Aunque entrenar usando 'Etiqueta' no es uno de los pasos principales descritos en la fase Explorar, puede ser útil en esta fase de entrenamiento. En el modo Etiqueta, la plataforma te muestra los mensajes en los que se predice esa etiqueta en orden descendente de confianza (es decir, con las predicciones más seguras primero y las menos seguras al final).
Sin embargo, solo es útil para revisar las predicciones que no son de alta confianza (más del 90 %). Esto se debe a que cuando el modelo tiene mucha confianza (es decir, por encima del 90%), entonces al confirmar la predicción no le estás diciendo al modelo ninguna información nueva, ya está seguro de que se aplica la etiqueta. Busque ejemplos menos seguros más abajo en la página si es necesario. Aunque, si las predicciones tienen una confianza alta y son incorrectas, es importante aplicar las etiquetas correctas, rechazando así las predicciones incorrectas.
Consejos útiles
- Si para una etiqueta hay varias formas diferentes de decir lo mismo (p. ej. A, B o C), asegúrate de dar a la plataforma ejemplos de entrenamiento para cada forma de decirlo. Si le das 30 ejemplos de A, y solo unos pocos de B y C, el modelo tendrá dificultades para recoger futuros ejemplos de B o C para esa etiqueta.
- Añadir una nueva etiqueta a una taxonomía madura puede significar que no se ha aplicado a los mensajes revisados previamente. Esto requiere volver atrás y enseñar el modelo en nuevas etiquetas, utilizando la función 'Etiqueta perdida'; consulta aquí cómo.