- 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
Enseñar es el segundo paso de la fase Explorar y su propósito es mostrar predicciones para una etiqueta en la que el modelo es más confuso si se aplica o no. Al igual que en los pasos anteriores, debemos confirmar si la predicción es correcta o incorrecta y, al hacerlo, proporcionar al modelo señales de entrenamiento sólidas. Es el modo de entrenamiento específico de la etiqueta más importante.
Enseñar etiqueta es un modo de entrenamiento diseñado exclusivamente para anotar mensajes no revisados. Como tal, el filtro revisado está deshabilitado en este modo.
- Selecciona Enseñar etiqueta en el menú desplegable como se muestra en la siguiente imagen.
- Selecciona la etiqueta que deseas entrenar, donde la selección predeterminada en el modo Enseñar es mostrar mensajes no revisados.
- Se te presentará una selección de mensajes en los que el modelo está más confundido en cuanto a si la etiqueta seleccionada se aplica o no. Esto significa que debes revisar las predicciones y aplicar la etiqueta si son correctas, o aplicar otras etiquetas si son incorrectas.
Nota:
- Las predicciones variarán desde ~50 % para datos sin sentimiento y 66 % para datos con sentimiento habilitado.
- Asegúrate de aplicar todas las demás etiquetas aplicables, así como la etiqueta específica en la que te estás centrando.
Debes utilizar este modo de entrenamiento según sea necesario para aumentar el número de ejemplos de entrenamiento para cada etiqueta por encima de 25, de modo que la plataforma pueda estimar con precisión el rendimiento de la etiqueta.
El número de ejemplos necesarios para que cada etiqueta funcione bien dependerá de una serie de factores. En la fase Refinar cubrimos cómo entender y mejorar el rendimiento de cada etiqueta.
La plataforma recomendará regularmente el uso de Enseñar etiqueta como un medio para mejorar el rendimiento de etiquetas específicas proporcionando ejemplos de entrenamiento más variados que puede utilizar para identificar otras instancias de tu conjunto de datos donde debería aplicarse la etiqueta.
Después de Descubrir y Aleatorio , es posible que algunas etiquetas aún tengan muy pocos ejemplos, y en los que el modo Enseñar etiqueta no muestre ejemplos de entrenamiento útiles. En este caso, se recomienda utilizar los siguientes modos de entrenamiento para proporcionar a la plataforma más ejemplos de los que aprender:
Buscar términos o frases en Explorar funciona igual que buscar en Descubrir. Una de las dos diferencias clave es que en Explorar debes revisar y anotar los resultados de la búsqueda de forma individual, en lugar de de forma masiva. Puedes buscar en Explorar simplemente escribiendo tu término de búsqueda en el cuadro de búsqueda de la parte superior izquierda de la página.
Sin embargo, demasiada búsqueda puede sesgar tu modelo, algo que queremos evitar. No añadas más de 10 ejemplos por etiqueta en este modo de entrenamiento para evitar el sesgo de anotación. Asegúrate de dar tiempo a la plataforma para que se vuelva a entrenar antes de volver al modo de aprendizaje .
Para obtener más información, consulta Entrenamiento mediante la búsqueda en la pestaña Explorar.
Opción 2: etiqueta
Aunque entrenar con Etiqueta no es uno de los pasos principales descritos en la fase Explorar , puede ser útil en esta fase de entrenamiento. En el modo Etiqueta , la plataforma te muestra los mensajes en los que se predice esa etiqueta en orden descendente de confianza, es decir, con las predicciones más seguras primero y las menos seguras al final.
Sin embargo, solo es útil para revisar las predicciones que no son de alta confianza, por encima del 90 %. Esto se debe a que cuando el modelo tiene mucha confianza, es decir, por encima del 90 %, al confirmar la predicción no le estás diciendo al modelo ninguna información nueva, ya está seguro de que la etiqueta se aplica. Busca ejemplos menos seguros más adelante en la página si es necesario. Aunque, si las predicciones tienen una confianza alta y son incorrectas, asegúrate de aplicar las etiquetas correctas, rechazando así las predicciones incorrectas.
- Si para una etiqueta hay varias formas diferentes de decir lo mismo, por ejemplo, A, B o C, asegúrate de dar a la plataforma ejemplos de entrenamiento para cada forma de decirlo. Si le das 30 ejemplos de A, y solo unos pocos de B y C, el modelo tendrá dificultades para recoger futuros ejemplos de B o C para esa etiqueta.
- Añadir una nueva etiqueta a una taxonomía madura puede significar que no se ha aplicado a los mensajes revisados anteriormente. Esto requiere volver atrás y enseñar el modelo en nuevas etiquetas, utilizando la función Etiqueta perdida .