Información general

Pasos clave

La página Explorar tiene varios modos de entrenamiento, y esta fase se centra principalmente en tres de ellos:

• Aleatorio : muestra una selección aleatoria de mensajes para que los usuarios los anoten. Asegúrate de completar una parte significativa del entrenamiento en Aleatorio para crear un conjunto de ejemplos de entrenamiento que sea representativo del conjunto de datos más amplio.
• Enseñar : se utiliza para mensajes no revisados. Tan pronto como la plataforma haga algunas predicciones razonables para una etiqueta, puedes mejorar la capacidad de predecir la etiqueta para ejemplos más variados revisando mensajes en el modo de enseñanza predeterminado, que es para mensajes no revisados. Esto te mostrará mensajes en los que la plataforma no está segura de si la etiqueta seleccionada se aplica o no.
• Confianza baja : te muestra los mensajes que no están bien cubiertos por las predicciones de etiquetas informativas. Estos mensajes no tendrán predicciones o tendrán predicciones de muy baja confianza para las etiquetas que la plataforma entiende que son informativas.

Esta sección también cubrirá el entrenamiento utilizando Buscar en Explorar, similar al entrenamiento utilizando Buscar en Descubrir.

Enseñar, para mensajes revisados, es otro modo de entrenamiento en Explorar. Para obtener más información, consulta Refinar modelos y utilizar Validación.

Diseño

El diseño de la imagen mostrada anteriormente se explica en la siguiente tabla:

1	Ajuste el intervalo de fechas o el período de los mensajes mostrados.
2	Añade varios otros filtros basados en los metadatos de los mensajes, por ejemplo puntuación o remitente.
3	Añade un filtro de campo general.
4	Cambia de todos los mensajes a mensajes revisados o no revisados, también ajusta los recuentos de etiquetas ancladas frente a las previstas.
5	Añade un filtro de etiqueta.
6	Busca etiquetas específicas dentro de tu taxonomía.
7	Añade etiquetas adicionales.
8	Expandir los metadatos del mensaje.
9	Actualizar la consulta actual.
10	Cambia entre diferentes modos de entrenamiento, como reciente, aleatorio, enseñar y baja confianza, y selecciona etiqueta para ordenar.
11	Busca en el conjunto de datos mensajes que contengan palabras o frases específicas.
12	Descarga todos los mensajes de esta página o exporta el conjunto de datos con los filtros aplicados como archivo CSV.

Cuánto entrenamiento hacer para cada etiqueta

El número de ejemplos necesarios para predecir con precisión cada etiqueta puede variar mucho en función de la amplitud o la especificidad de un concepto de etiqueta.

Puede ser que una etiqueta se asocie normalmente con palabras, frases o intenciones muy específicas y fácilmente identificables, y la plataforma sea capaz de predecirla de forma coherente con relativamente pocos ejemplos de entrenamiento. También podría ocurrir que una etiqueta capture un tema amplio con muchas variaciones diferentes de lenguaje que se le asocien, en cuyo caso podría requerir muchos más ejemplos de entrenamiento para permitir que la plataforma identifique de forma coherente las instancias en las que debería aplicarse la etiqueta.

La plataforma a menudo puede empezar a hacer predicciones para una etiqueta con tan solo cinco ejemplos, aunque para estimar con precisión el rendimiento de una etiqueta, es decir, lo bien que la plataforma es capaz de predecirla, cada etiqueta requiere al menos 25 ejemplos.

Al anotar en Explorar, las pequeñas esferas rojas junto a cada etiqueta indican si se necesitan más ejemplos para estimar con precisión el rendimiento de la etiqueta. El dial comienza a desaparecer a medida que proporcionas más ejemplos de entrenamiento y desaparecerá por completo una vez que llegues a 25.

Esto no significa que con 25 ejemplos la plataforma pueda predecir con precisión cada etiqueta, pero al menos podrá validar lo bien que puede predecir cada etiqueta y alertarte si se requiere entrenamiento adicional.

Durante la fase Explorar, asegúrate de haber proporcionado al menos 25 ejemplos para todas las etiquetas que te interesan, utilizando una combinación de los pasos mencionados anteriormente, es decir, principalmente Aleatorio y Enseñar y Sin revisar.

Durante la fase Refinar puede quedar claro que se requiere más entrenamiento para que ciertas etiquetas mejoren su rendimiento. Para obtener más información, consulta Refinar modelos y utilizar Validación.

Etiquetar advertencias de rendimiento

En Explorar, una vez que alcances los 25 ejemplos anclados para una etiqueta, puedes notar uno de los siguientes indicadores de rendimiento de la etiqueta en lugar del dial de entrenamiento:

• Gris es un indicador de que la plataforma está calculando el rendimiento de esa etiqueta. Esto significa que se actualizará para desaparecer o para mostrar un círculo ámbar o rojo una vez calculado.
• El ámbar es un indicador de que la etiqueta tiene un rendimiento ligeramente menos que satisfactorio y podría mejorarse.
• El rojo es un indicador de que la etiqueta tiene un rendimiento deficiente y necesita formación adicional o acciones correctivas para mejorarlo.
• Si no hay un círculo, la etiqueta está funcionando a un nivel satisfactorio, aunque es posible que aún deba mejorarse dependiendo del caso de uso y los niveles de precisión deseados.
• Para obtener más información sobre el rendimiento de las etiquetas y cómo mejorarlo, consulta Comprender y mejorar el rendimiento del modelo.

Recuentos de etiquetas previstos frente a recuentos de etiquetas ancladas

Si seleccionas el icono de marca, como se muestra en las siguientes imágenes, en la parte superior de la barra de filtro de etiquetas para filtrar los mensajes revisados, se mostrará el número de mensajes revisados que tienen esa etiqueta aplicada.

Si seleccionas el icono del ordenador para filtrar los mensajes no revisados, se mostrará el número total de predicciones para esa etiqueta, que incluye también el número de ejemplos revisados.

En Explorar, cuando no se selecciona ni revisado ni sin revisar, la plataforma muestra el número total de mensajes anclados para una etiqueta de forma predeterminada. En Informes, el valor predeterminado es mostrar el total previsto.

Nota: el número previsto es una agregación de todas las probabilidades que la plataforma calcula para esta etiqueta. Por ejemplo, dos mensajes con un nivel de confianza del 50 % se contarían como una etiqueta prevista.

Consejos para utilizar Explorar

• El modelo puede hacer predicciones con solo unos pocos mensajes anotados, aunque para que haga predicciones fiables, debes anotar un mínimo de 25 mensajes por etiqueta. Algunos requerirán más que esto, dependerá de la complejidad de los datos, la etiqueta y la coherencia con la que se hayan aplicado las etiquetas
• En Explorar, también debes intentar encontrar mensajes en los que el modelo haya predicho una etiqueta incorrectamente. Debes eliminar las etiquetas incorrectas y aplicar las correctas. Este proceso ayuda a evitar que el modelo haga una predicción incorrecta similar en el futuro

Importante: Durante esta fase, aplicarás muchas etiquetas, así que asegúrate de cumplir con las mejores prácticas clave de anotación de añadir todas las etiquetas que correspondan. Puedes hacerlo aplicando las etiquetas de forma coherente y anotando lo que puedes ver frente a ti.