- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- 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
- Administrar 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
- Exportar un conjunto de datos
- Uso de integraciones de Exchange
- Preparar datos para cargar archivos .CSV
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, las entidades 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)
- Comprender el estado de tu conjunto de datos
- Mejores prácticas de entrenamiento y etiquetado de modelos
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Entrenamiento
- Introducción a 'Perfeccionar'
- 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 'Comprobar etiqueta' y 'Etiqueta perdida'
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y usar 'Reequilibrar'
- Cuándo dejar de entrenar tu modelo
- Definir y configurar tus entidades
- Comprender las entidades
- ¿Qué entidades preentrenadas están disponibles?
- Habilitar, deshabilitar, actualizar y crear entidades
- Filtrado de entidades
- Revisar y aplicar entidades
- Validación para entidades
- Mejorar el rendimiento de la entidad
- Creación de entidades regex personalizadas
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Preguntas frecuentes y más
Entrenamiento mediante la etiqueta de aprendizaje (refinar)
Permisos de usuario necesarios: 'Ver fuentes' Y 'Revisar y etiquetar'
Si tienes una etiqueta a la que le cuesta predecir con precisión, y estás satisfecho con la coherencia de los ejemplos ya fijados (como se ha comentado en el artículo anterior), es probable que necesites proporcionar al modelo elementos más variados (y consistente) ejemplos de entrenamiento.
La plataforma suele sugerir este modo como acción recomendada para las etiquetas que más se beneficiarían de él en los factores de Calificación del modelo, así como en las acciones recomendadas para etiquetas específicas que puedes seleccionar en Validación.
El mejor método para entrenar la plataforma en las instancias en las que tiene dificultades para predecir si se aplica o no una etiqueta es usar 'Enseñar ' para los mensajes no revisados.
Como este modo te muestra predicciones para una etiqueta con puntuaciones de confianza que van desde el 50 % (o el 66 % en el caso de un conjunto de datos habilitado para sentimiento), aceptar o corregir estas predicciones envía señales de entrenamiento mucho más potentes al modelo que si estuvieras para aceptar predicciones con puntuaciones de confianza del 90 % o más. De esta manera, puedes mejorar rápidamente el rendimiento de una etiqueta proporcionando varios ejemplos de entrenamiento sobre los que la plataforma no estaba segura.
El proceso real de etiquetado en este modo se analiza en la fase Explorar .
