- Introducción
- Configuración de su cuenta
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- Campos generales
- Etiquetas (predicciones, niveles de confianza, jerarquía de etiquetas y sentimiento de etiqueta)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes anotados y no anotados
- Campos extraídos
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Control y administración de acceso
- 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 conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración del conjunto de datos
- Eliminar un mensaje
- Eliminar un conjunto de datos
- Exportar un conjunto de datos
- Utilizar integraciones de Exchange
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, los campos generales y los metadatos
- Jerarquía de etiquetas y mejores prácticas
- Comparar casos de uso de análisis y automatización
- Convertir tus objetivos en etiquetas
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa
- Estado de Dastaset
- Entrenamiento de modelos y mejores prácticas de anotación
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Chat de entrenamiento y datos de llamadas
- 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
- Razones para etiquetar 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
- Automations and Communications Mining™
- Desarrollador
- Uso de la API
- Tutorial de la API
- Fuentes
- Conjuntos de datos
- Comentarios
- Archivos adjuntos
- Predictions
- Crear una transmisión
- Actualizar una transmisión
- Obtener una transmisión por nombre
- Obtener todas las transmisiones
- Eliminar una transmisión
- Obtener resultados de la transmisión
- Obtener comentarios de una transmisión (heredado)
- Avanzar una transmisión
- Restablecer una transmisión
- Etiquetar una excepción
- Desetiquetar una excepción
- Eventos de auditoría
- Obtener todos los usuarios
- Cargar datos
- Descargando datos
- Integración de Exchange con el usuario del servicio de Azure
- Integración de Exchange con la autenticación de aplicaciones de Azure
- Integración de Exchange con Azure Application Authentication y Graph
- Obtener datos para Tableau con Python
- Integración de Elasticsearch
- Extracción de campos general
- Integración de Exchange autohospedado
- Marco de automatización de UiPath®
- Actividades oficiales de UiPath®
- Cómo aprenden las máquinas a entender palabras: una guía para las incrustaciones en PNL
- Aprendizaje basado en solicitudes con Transformers
- Efficient Transformers II: destilación de conocimientos y ajuste
- Transformadores eficientes I: mecanismos de atención
- Modelado de intenciones jerárquico profundo no supervisado: obtener valor sin datos de entrenamiento
- Corregir el sesgo de anotación con Communications Mining™
- Aprendizaje activo: mejores modelos ML en menos tiempo
- Todo está en los números: evaluar el rendimiento del modelo con métricas
- Por qué es importante la validación del modelo
- Comparación de Communications Mining™ y Google AutoML para la inteligencia de datos conversacional
- Licencia
- Preguntas frecuentes y más
Guía del usuario de Communications Mining
La tercera fase, y el paso final del proceso de entrenamiento, se llama Refinar. El propósito de esta etapa es comprender cómo está funcionando tu modelo y refinarlo hasta que funcione según lo requerido. Esto implica mejorar las etiquetas específicas que no funcionan como se espera, garantizar que se hayan capturado todos los conceptos de etiqueta relevantes y asegurarse de que los datos de entrenamiento sean una representación equilibrada del conjunto de datos en su conjunto.
La plataforma está diseñada para ser completamente transparente para los usuarios en lo que respecta al rendimiento del modelo, y muy flexible cuando se trata de mejorar el rendimiento en áreas que lo requieren. Para cualquier caso de uso, quieres estar seguro de que tu modelo captura una representación precisa de lo que hay en tu conjunto de datos, y esta fase del entrenamiento ayuda a garantizar que puedas estarlo.
Esta sección de la base de conocimientos cubrirá en detalle los pasos descritos a continuación, pero comenzará con explicaciones detalladas de precisión y recuperación, cómo funciona la validación y cómo comprender los diferentes aspectos del rendimiento del modelo.
-
Revisar la clasificación del modelo : este paso se trata de comprobar tu clasificación del modelo en Validación e identificar dónde cree la plataforma que puede haber problemas de rendimiento con tu modelo, así como orientación sobre cómo abordarlos. Esta sección incluye detalles sobre la comprensión y la mejora del rendimiento del modelo.
-
Refinar el rendimiento de las etiquetas : este paso consiste en realizar acciones, recomendadas por la plataforma, para mejorar el rendimiento de tus etiquetas. Estos incluyen el uso de los modos de entrenamiento Comprobar etiqueta y Etiqueta perdida , que te ayudan a abordar posibles incoherencias en tus anotaciones, así como el modo Enseñar etiqueta . Para obtener más información, consulta Entrenamiento mediante Enseñar etiqueta (Explorar).
-
Aumentar la cobertura : ayuda a garantizar que la mayor parte posible de tu conjunto de datos esté cubierto por predicciones de etiquetas significativas.
-
Mejorar el equilibrio : este paso consiste en garantizar que tus datos de entrenamiento sean una representación equilibrada del conjunto de datos en su conjunto. Mejorar el equilibrio en el conjunto de datos ayuda a reducir el sesgo de anotación y a aumentar la fiabilidad de las predicciones realizadas.
