ixp
latest
false
- 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 de acceso y 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 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
- Anclar y etiquetar una versión del modelo
- Eliminar un modelo anclado
- Añadir nuevas etiquetas a las taxonomías existentes
- Mantener un modelo en producción
- Reversión del modelo
- Uso de campos generales
- Extracción generativa
- Uso de análisis y supervisión
- Automations and Communications Mining™
- Desarrollador
- Introducción
- Uso de la API
- Tutorial de la API
- Resumen
- 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
- 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
- Integración de Exchange autohospedado
- Marco de automatización de UiPath®
- Actividades de UiPath® Marketplace
- 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
Anclar y etiquetar una versión del modelo

Guía del usuario de Communications Mining
Última actualización 11 de ago. de 2025
Nota: debes tener asignados los permisos Origen - Leer y Conjunto de datos - Leer como usuario de Automation Cloud, o los permisos Ver orígenes y Ver etiquetas como usuario heredado.
Cada vez que entrenas la plataforma con tus datos, es decir, al anotar cualquier mensaje, se crea una nueva versión del modelo asociado a tu conjunto de datos. Como estos modelos son grandes y complejos, las versiones anteriores no se almacenan automáticamente en nuestras bases de datos, simplemente porque los requisitos de almacenamiento serían increíblemente grandes.
La última versión del modelo siempre estará disponible, pero los usuarios pueden anclar una versión específica del modelo que les gustaría guardar. También pueden elegir etiquetar modelos anclados con una etiqueta Activa o de ensayo .
- Anclar un modelo te da determinismo sobre las predicciones, particularmente cuando utilizas Flujos. Esto significa que puedes confiar en las puntuaciones de precisión y recuperación para esta versión del modelo, y los futuros eventos de entrenamiento no las alterarán.
- En la página Validación , puedes ver las puntuaciones de validación de las versiones anteriores del modelo anclado. Esto te permite comparar las puntuaciones a lo largo del tiempo y observar cómo tu entrenamiento ha mejorado tu modelo.
Para anclar una versión del modelo:
- Navega a la página de modelos utilizando la barra de navegación.
- Seleccione el botón de alternancia para guardar la versión actual del modelo.
Para actualizar la etiqueta para una versión del modelo, proceda de la siguiente manera:
- Selecciona la flecha para Etiquetas en cualquier modelo anclado.
- Selecciona En directo o En ensayo, dependiendo del estado del modelo anclado en cualquier implementación posterior.