- 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
- 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)
- Comprender el estado de tu conjunto de datos
- 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
Comprender el estado de tu conjunto de datos
Cada vez que apliques etiquetas o revises campos generales en tu conjunto de datos, tu modelo se volverá a entrenar y se creará una nueva versión del modelo. Para obtener más información sobre el uso de diferentes versiones del modelo, consulta aquí.
Cuando el modelo se reentrena, toma la información más reciente que se le ha proporcionado y vuelve a calcular todas sus predicciones en el conjunto de datos. Este proceso comienza cuando se inicia el entrenamiento y, a menudo, cuando Communications Mining termina de aplicar las predicciones para una versión del modelo, ya está recalculando las predicciones para una versión más reciente del modelo. Cuando dejas de entrenar después de un período de tiempo, Communications Mining se pondrá al día en breve y aplicará las predicciones que reflejan el último entrenamiento completado en el conjunto de datos.
Este proceso puede tardar algún tiempo, dependiendo de la cantidad de entrenamiento completado, el tamaño del conjunto de datos y el número de etiquetas en la taxonomía. Communications Mining tiene una función de estado útil para ayudar a los usuarios a comprender cuándo su modelo está actualizado, o si se está reentrenando y cuánto tiempo se espera que tarde.
Cuando estés en un conjunto de datos, uno de estos dos iconos en la parte superior de la página indicará su estado actual:
Este icono indica que el conjunto de datos está actualizado y se han aplicado las predicciones de la última versión del modelo. | |
Esto indica que el modelo se está reentrenando y que las predicciones pueden no estar actualizadas. |
Si pasas el ratón por encima del icono, verás más detalles sobre el estado, como se muestra a continuación: