- 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
- Annotated and unannotated messages
- Campos extraídos
- 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 o eliminar un origen de datos en la 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
- Understanding labels, general fields, and metadata
- Label hierarchy and best practices
- 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
Validar y anotar las extracciones generadas
Proporcione suficientes ejemplos para que el modelo pueda proporcionarle estadísticas de validación. Las estadísticas de validación te ayudan a comprender el rendimiento de tus extracciones. Además, te permite ajustar tus extracciones.
Revisa los resultados y:
- Acepte las extracciones si son correctas.
- Corrija las extracciones si hay predicciones incorrectas.
- Marca las extracciones como faltantes si no están presentes en el mensaje.
- Si falta alguno, configura cualquier campo adicional que sea necesario para habilitar la automatización de extremo a extremo.
¿Por qué es importante el ajuste fino?
El ajuste fino te permite utilizar las anotaciones recopiladas para mejorar el rendimiento del modelo de extracción.
Te permite tomar el modelo listo para usar y mejorar el rendimiento para tus casos de uso.
¿Cuándo puedes parar?
Deténgase una vez que proporcione al menos 25 ejemplos de extracciones de etiquetas para que el modelo los utilice en su proceso de validación. Comprueba la validación y comprueba si el rendimiento es suficiente o si se necesitan más ejemplos.
# | Descripción |
1 | Si todas las predicciones de campo son correctas, selecciona Confirmar todo para validar en masa que las anotaciones son correctas. |
2 | Para añadir nuevos campos de extracción, selecciona el botón más, junto a Campos generales o junto a cualquiera de los campos de extracción. Para editar cualquier campo existente, selecciona los puntos suspensivos verticales junto a Campos generales o junto a cualquiera de los campos de extracción. |
3 | En el panel lateral, si marcas la casilla junto a las extracciones previstas, confirmas que una anotación de campo es correcta, en un nivel de extracción. |
4 | Debajo de cada campo, puedes encontrar el punto de datos que predijo el modelo.
Si la predicción es incorrecta, selecciona el botón x para ajustar el campo con la correcta. |
5 | Los puntos de datos previstos se marcan en el mensaje original.
|
6 | Para añadir o modificar cualquier campo, mantén el puntero junto al botón + , en la sección del campo general o del campo de extracción correspondiente. |
7 | Para expandir los campos mostrados para Campos generales o campos de extracción específicos, selecciona el botón desplegable. |
- Selecciona Explorar junto a un conjunto de datos para acceder a ese conjunto de datos en particular.
- En la pestaña Explorar , selecciona Anotar campos.
- En el panel lateral, selecciona el botón Predecir extracciones .
- En el mismo panel lateral, los indicadores coincidentes marcados con un círculo rojo o verde se muestran junto a las predicciones del modelo.
Nota: Los indicadores de coincidencia muestran si las predicciones del modelo coinciden con las anotaciones que has realizado para los campos de extracción. Los indicadores están marcados en la interfaz de usuario con un círculo rojo o verde en el campo de extracción y en los niveles de extracción. En caso de que los valores no coincidan, los valores no coinciden o faltan. Puedes volver a ejecutar las últimas predicciones del modelo para confirmar si coinciden con las anotaciones proporcionadas.Los estados que pueden devolver los indicadores coincidentes son:
- Verde: las predicciones coinciden con las anotaciones. Es visible en el nivel de extracción solo si todos los campos de extracción tienen indicadores verdes.
- Rojo: las predicciones no coinciden con las anotaciones o a una predicción le falta una anotación. Es visible en el nivel de extracción si alguno de los campos de la extracción tiene un indicador rojo.
La siguiente imagen muestra el aspecto de una extracción en su estado no confirmado . En el panel derecho, la extracción se marca como no confirmada, y el resaltado en el propio texto tiene un color más claro.
La siguiente imagen muestra el aspecto de los campos en su estado confirmado . En el panel derecho, la extracción está marcada como Confirmada, y el resaltado en el propio texto tiene un color más oscuro.
Las extracciones se validan en la experiencia de la pestaña Entrenar de forma similar a la pestaña Explorar .
Para validar tus extracciones, aplica los siguientes pasos:
- Selecciona Entrenar junto a un conjunto de datos para acceder a ese conjunto de datos en particular.
- En la pestaña Entrenar , selecciona Extracciones.
- Selecciona la extracción de etiquetas que quieres validar.
- Confirma si el mensaje mostrado es un ejemplo aplicable de la etiqueta.
- Una vez que apliques todas las etiquetas aplicables, selecciona Siguiente: Anotar campos.
- En la página siguiente, los indicadores coincidentes marcados con un círculo rojo o verde se muestran junto a las predicciones del modelo.
Nota: Los indicadores de coincidencia muestran si las predicciones del modelo coinciden con las anotaciones que has realizado para los campos de extracción. Los indicadores están marcados en la interfaz de usuario con un círculo rojo o verde en el campo de extracción y en los niveles de extracción. En caso de que los valores no coincidan, notará que los valores no coinciden o faltan. Puedes volver a ejecutar las últimas predicciones del modelo para confirmar si coinciden con las anotaciones proporcionadas.Los estados que pueden devolver los indicadores coincidentes son:
- Verde: las predicciones coinciden con las anotaciones. Es visible en el nivel de extracción solo si todos los campos de extracción tienen indicadores verdes.
- Rojo: las predicciones no coinciden con las anotaciones o a una predicción le falta una anotación. Es visible en el nivel de extracción si alguno de los campos de la extracción tiene un indicador rojo.
- Selecciona Confirmar todo y siguiente para ver el siguiente mensaje para anotar automáticamente.