- 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
- Preparando datos para cargar archivos .CSV
- Cargar un archivo CSV en un origen
- 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
- 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
- Migration Guide: Exchange Web Services (EWS) to Microsoft Graph API
- 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
Entrenamiento mediante Buscar (Refinar)
Utiliza la acción Buscar como parte del proceso de entrenamiento del modelo, para las etiquetas que se producen con menos frecuencia y que no aparecen regularmente en los grupos y/o en el modo aleatorio.
Si hay ejemplos mínimos de entrenamiento inicial para una etiqueta, puedes utilizar Buscar con moderación para uno o más términos, para una etiqueta determinada. Esto proporciona suficientes ejemplos para que la acción Enseñar esté disponible, por ejemplo, mostrando aproximadamente la mitad de los ejemplos relevantes para esa etiqueta.
El uso excesivo de la acción Buscar puede dar lugar a un sesgo de anotación y a ajustar en exceso la comprensión del modelo de un concepto de etiqueta a términos/frases específicos, en lugar de comprender el contexto más amplio y la variabilidad del propio concepto. Esto significa que puedes abusar de la búsqueda a menos que la plataforma proporcione barreras.
Uso de la recomendación de búsqueda en la validación
Para utilizar la recomendación Buscar en la página Validación , aplica los siguientes pasos:
-
Ve a la pestaña Validación .
-
Selecciona una de las recomendaciones, que te redirige a la página Descubrir .
-
Busque términos o expresiones relacionadas con la etiqueta que está buscando.
Nota:Aplique ejemplos con moderación utilizando la búsqueda de cualquier etiqueta para evitar el sesgo de anotación.
-
Añade una etiqueta y selecciona Aplicar etiquetas para anotar mensajes en masa:
Nota:Recuerda aplicar también todas las demás etiquetas relevantes a los mensajes durante la búsqueda, para evitar anotaciones parciales.
Para entender mejor cómo utilizar Buscar en la pestaña Explorar , consulta Entrenamiento mediante Búsqueda (Explorar).