- 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
¿Por qué una etiqueta puede tener una precisión media baja?
A continuación se describen algunas de las razones principales por las que una etiqueta puede tener una precisión media baja, así como una solución sugerida para mejorarla:
1. El tamaño del conjunto de entrenamiento puede ser demasiado pequeño
- Si el tamaño del conjunto de entrenamiento es bastante pequeño, es posible que solo necesite proporcionar más ejemplos de entrenamiento para el modelo
- Continúe entrenando la etiqueta utilizando los métodos descritos en la fase Explorar, en particular 'Aleatorio ' y 'Enseñar etiqueta '
2. Es posible que la etiqueta se haya aplicado de forma incoherente o incorrecta a algunos de los mensajes
- A menudo puede darse el caso de que la definición de una etiqueta de un usuario cambie con el tiempo, y es posible que sea necesario volver a revisar los mensajes revisados más antiguos con esa etiqueta para ver si la etiqueta aún se aplica
- Alternativamente, si hay varios usuarios entrenando un conjunto de datos, podrían tener interpretaciones de lo que significa cada etiqueta y enviar señales mixtas al modelo
- Para determinar si este es el caso, los usuarios pueden utilizar los modos de entrenamiento 'Comprobar etiqueta ' y 'Etiqueta perdida ' para revisar los mensajes revisados para la etiqueta, y ver dónde se ha aplicado incorrectamente una etiqueta o si se ha perdido involuntariamente
- Los usuarios pueden corregir cualquier error y actualizar las etiquetas para garantizar la coherencia
- En el futuro, si hay varios usuarios entrenando un conjunto de datos, deben asegurarse de que están completamente alineados en la forma en que definen las intenciones o conceptos cubiertos por cada etiqueta
3. La intención o el concepto que pretende capturar la etiqueta puede ser vago o muy amplio y difícil de distinguir de otras etiquetas
- Si una etiqueta se utiliza para capturar una intención o concepto muy amplio o vago, puede ser difícil para el modelo identificar por qué esa etiqueta debe aplicarse a un mensaje; entonces puede intentar aplicarla a demasiados mensajes
- Intenta no ser demasiado genérico al crear una etiqueta; debe ser identificable y distinguible de otras etiquetas
4. Alternativamente, la intención o el concepto podría ser muy específico o tener demasiadas capas en su jerarquía
- Intentar ser demasiado específico o añadir muchas capas a la jerarquía de una etiqueta puede dificultar que el modelo lo detecte o lo distinga de las capas anteriores
- El nivel de especificidad de una etiqueta debe coincidir con el contenido de los mensajes. Si es demasiado específico para distinguirlo de forma realista de otras etiquetas similares en la jerarquía, el modelo puede confundirse
- En la mayoría de los casos, lo mejor es tener tres capas o menos en la jerarquía de una etiqueta, es decir, [Etiqueta raíz] > [Etiqueta de conexión] > [Etiqueta hoja]
5. Puede haber varias etiquetas en la taxonomía que se superponen en gran medida y el modelo tiene dificultades para distinguir entre las dos
- Si tienes dos etiquetas que son muy similares y difíciles de distinguir entre sí, puede confundir el modelo, ya que no sabrá cuál de las dos etiquetas se aplica
- En estos casos, considere la posibilidad de fusionar las etiquetas
- Alternativamente, revise los mensajes revisados para cada uno y asegúrese de que los conceptos se aplican de forma coherente y son distintos entre sí
6. Los mensajes con esa etiqueta aplicada pueden ser en su mayoría muy similares o idénticos, y el modelo tiene dificultades para detectar diferentes formas de expresar la misma intención o concepto
- Debes asegurarte de que para cada etiqueta proporcionas al modelo múltiples ejemplos de entrenamiento que incluyen varias formas diferentes de expresar la intención o el concepto que la etiqueta pretende capturar
7. La intención o el concepto capturado por esa etiqueta no se puede deducir semánticamente del texto del mensaje o de sus metadatos de soporte
- Es común que los usuarios anoten un mensaje en función de su propio conocimiento empresarial del contexto o proceso que seguiría, y no en el texto real o los metadatos del mensaje.
- Por ejemplo, un usuario SME puede saber que debido a que la comunicación proviene de un individuo determinado, debe tratar sobre un tema determinado, aunque nada más en el texto o los metadatos indiquen claramente que la etiqueta debe aplicarse
- En este caso, los usuarios solo deben aplicar la etiqueta si el modelo pudiera detectarla a partir del texto o los metadatos, sin este conocimiento interno