- 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 página Validación muestra a los usuarios información detallada sobre el rendimiento de su modelo, tanto para las etiquetas como para los campos generales.
En la pestaña Etiquetas , los usuarios pueden ver su calificación general del modelo de etiquetas, incluido un desglose detallado de los factores que componen su calificación y otras métricas en su conjunto de datos y el rendimiento de etiquetas individuales.
En la pestaña Campos generales , los usuarios pueden ver estadísticas sobre el rendimiento de las predicciones de campo generales para todos los campos generales habilitados en el conjunto de datos.
El menú desplegable Versión del modelo te permite ver todas las puntuaciones de validación en versiones anteriores del modelo en un conjunto de datos determinado. También puedes priorizar o destacar las individuales, para que aparezcan en la parte superior de la lista en el futuro. Esta herramienta puede ser útil para realizar un seguimiento y comparar el progreso a medida que construyes tu modelo.
La pestaña Factores muestra:
- los cuatro factores clave que contribuyen a la clasificación del modelo: equilibrio, cobertura, rendimiento medio de las etiquetas y rendimiento de las etiquetas con peor rendimiento.
- para cada factor, proporciona una puntuación y un desglose de los factores que contribuyen a la puntuación.
- siguientes mejores acciones recomendadas seleccionables para mejorar la puntuación de cada factor.
La pestaña Métricas muestra:
- el tamaño del conjunto de entrenamiento: el número de mensajes en los que se entrenó el modelo.
- el tamaño del conjunto de pruebas: el número de mensajes en los que se evaluó el modelo.
- número de etiquetas: el número total de etiquetas en tu taxonomía.
- Precisión media en la recuperación : un gráfico que muestra la precisión promedio en un valor de recuperación dado en todas las etiquetas.
- Precisión media media : una estadística que muestra la precisión media en todas las etiquetas.
- un gráfico que muestra, en todas las etiquetas, la precisión media por etiqueta frente al tamaño del conjunto de entrenamiento.
La página Validación también permite a los usuarios seleccionar etiquetas individuales de su taxonomía para profundizar en su rendimiento.
Después de seleccionar una etiqueta, los usuarios pueden ver la precisión media de esa etiqueta, así como la precisión frente a la recuperación de esa etiqueta en función de un umbral de confianza determinado, que los usuarios pueden ajustar.
Para obtener más información sobre cómo funciona realmente la validación de etiquetas y cómo utilizarla, consulta Cómo funciona la validación.
La pestaña Campos generales muestra:
- El número de campos generales en el conjunto de entrenamiento : el número de campos generales anotados en los que se entrenó el modelo de validación.
- El número de campos generales en el conjunto de pruebas : el número de campos generales anotados en los que se evaluó el modelo de validación.
- El número de mensajes en el conjunto de entrenamiento : el número de mensajes que tienen campos generales anotados en el conjunto de entrenamiento.
- El número de mensajes en el conjunto de pruebas : el número de mensajes que tienen campos generales anotados en el conjunto de pruebas
- Precisión media : la puntuación de precisión media en todos los campos generales.
- Promedio de recuperación : la puntuación promedio de recuperación en todos los campos generales.
- Puntuación F1 media : la puntuación F1 media en todos los campos generales, donde la puntuación F1 es la media armónica de precisión y recuperación, y las pondera por igual.
- Las mismas estadísticas, pero para cada campo general individual.
Para obtener más información sobre cómo funciona la validación de los campos generales y cómo utilizarla, consulta Utilizar campos generales.
