- 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
- 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
Aleatorio es el primer paso de la fase Explorar , y su propósito es proporcionar a los usuarios una selección aleatoria de mensajes para que los revisen. En el modo aleatorio, la plataforma te mostrará los mensajes que tienen predicciones que cubren todas las etiquetas, y donde no las hay, por lo que el paso Aleatorio difiere de los demás en Explorar en que no se centra en una etiqueta específica para entrenar, sino que las cubre todas.
Es muy importante utilizar el modo Aleatorio para garantizar que proporcionas a tu modelo suficientes ejemplos de entrenamiento que sean representativos del conjunto de datos en su conjunto, y que no estén sesgados al centrarse solo en áreas muy específicas de los datos.
En general, al menos el 10 % del entrenamiento que completes en tu conjunto de datos debe estar en modo aleatorio .
Anotar en modo aleatorio esencialmente ayuda a garantizar que tu taxonomía cubra bien los datos dentro de tu conjunto de datos, y evita que crees un modelo que pueda hacer predicciones con mucha precisión solo en una pequeña fracción de los datos dentro del conjunto de datos.
Por lo tanto, mirar los mensajes en modo aleatorio es una manera fácil de tener una idea de cómo está funcionando el modelo general, y puede consultarse durante todo el proceso de entrenamiento. En una taxonomía bien entrenada, deberías poder revisar cualquier mensaje no revisado en Aleatorio y simplemente aceptar predicciones para entrenar aún más el modelo. Si encuentras que muchas de las predicciones son incorrectas, puedes ver qué etiquetas requieren más entrenamiento.
Pasar por varias páginas en Aleatorio más adelante en el proceso de entrenamiento también es una buena manera de comprobar si hay intenciones o conceptos que no han sido capturados por tu taxonomía y deberían haberlo sido. A continuación, puedes añadir etiquetas existentes cuando sea necesario o crear otras nuevas si es necesario.
- Selecciona Aleatorio en el menú desplegable para que se presenten 20 mensajes aleatorios.
- Filtrar a mensajes no revisados.
- Revisa cada mensaje y cualquier predicción asociada:
- Si hay predicciones, debes confirmarlas o rechazarlas. Confirme seleccionando los que correspondan.
- También debes añadir todas las demás etiquetas adicionales que correspondan.
- Si rechazas las predicciones, debes aplicar todas las etiquetas correctas. Asegúrate de no dejar el mensaje sin etiquetas aplicadas.
- También puedes pulsar el botón Actualizar para obtener un nuevo conjunto de mensajes, o continuar a la página siguiente seleccionando los números de página o las flechas.
Se recomienda anotar al menos un mínimo de 10 páginas de mensajes en Aleatorio. En grandes conjuntos de datos que contienen muchos ejemplos de entrenamiento, esto podría ser mucho más.
