- 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
Comprender las entidades
¿Qué son las entidades?
Las entidades son elementos adicionales de datos estructurados que se pueden extraer de los mensajes de tu conjunto de datos. Las entidades incluyen puntos de datos como cantidades monetarias, fechas, códigos de moneda, direcciones de correo electrónico, URL, así como muchas otras categorías específicas de la industria (consulta un ejemplo a continuación).
A diferencia de las etiquetas, la plataforma es capaz de predecir la mayoría de las entidades (excepto las entrenadas desde cero) tan pronto como se habilitan, ya que puede identificarlas en función de su formato típico, o en algunos casos muy específico, y un conjunto de entrenamiento de entidades similares. .
Al igual que las etiquetas, los usuarios pueden aceptar o rechazar entidades que se predicen correcta o incorrectamente, lo que mejora la capacidad del modelo para identificarlas en el futuro.
Tipos de entidades
Actualmente hay dos tipos principales de entidades:
- Entidades preentrenadas que suelen basarse en un conjunto de reglas estándar o personalizadas , p. ej. Cantidad monetaria, URL y fecha
- Entidades entrenadas desde cero por un usuario (como si entrenaran etiquetas) que se basan en el aprendizaje automático
Entidades entrenables frente a no entrenables
Todas las entidades son 'entrenables' por naturaleza (entidades entrenadas desde cero), o pueden volverse 'entrenables' cuando están habilitadas (todos los demás tipos de entidades).
Las entidades 'entrenables' son aquellas que se actualizarán en vivo en la plataforma en función del entrenamiento proporcionado por los usuarios. Para obtener más información sobre las entidades de entrenamiento, consulta aquí.
Si habilitas el entrenamiento en una entidad preentrenada que normalmente se basa en un conjunto de reglas estándar o personalizadas, puedes refinar la comprensión de la plataforma de esa entidad dentro de los parámetros de esas reglas. Esencialmente, una mayor formación sobre estos reducirá el alcance de lo que la plataforma puede considerar esa entidad, pero no lo aumentará.
Esto se debe a que muchas de estas entidades, como las fechas (por ejemplo, 'mañana') y cantidades monetarias (p. ej. 20 £), deben normalizarse en un formato de datos estructurados para los sistemas posteriores. También para entidades como ISIN o CUSIP, estos deben tener un formato establecido, por lo que no se debe enseñar a la plataforma a predecir nada que no se ajuste a sus formatos definidos.
Cuando se asigna cualquier entidad entrenable, la plataforma analiza tanto el texto de la entidad como el contexto de la entidad dentro del resto de la comunicación, es decir, lo que sucede antes y después del valor de la entidad (en el mismo párrafo, y el de arriba y el de abajo). Aprende a predecir mejor la entidad en función de los propios valores, así como de cómo aparece el valor en el contexto de la comunicación.
Si una entidad preentrenada no se establece como entrenable (consulta los detalles sobre la habilitación de entidades en un conjunto de datos aquí), los usuarios pueden aceptar o rechazar las predicciones de la entidad que ven en su conjunto de datos. Estos se actualizan y refinan sin conexión utilizando estos comentarios en la plataforma proporcionados por los usuarios. Por lo tanto, sigue siendo útil para los usuarios aceptar o rechazar estas entidades al revisar los mensajes.
