Información general

Esta sección describe el proceso involucrado en validar el rendimiento de las versiones del modelo en un proyecto. Validar el rendimiento del modelo es fundamental para garantizar la precisión y la fiabilidad del modelo antes de implementarlo en un entorno de producción.

El proceso de validación del modelo

1. Evalúa el rendimiento del modelo comparando diferentes versiones del modelo.
2. Reúne estadísticas de validación.
3. Refina el modelo hasta que alcance el nivel de rendimiento adecuado para tu caso de uso de la siguiente manera:
   • Revisa las predicciones del modelo.
   • Itera en el esquema de extracción.

Interfaz de usuario

El panel de la pestaña Medir incluye los siguientes detalles:

• El rendimiento de las extracciones completas para un grupo de campos específico y todos los campos de un grupo de campos.
• El rendimiento promedio de todos los campos en un grupo de campos específico.
• El rendimiento individual en el nivel de campo.

La siguiente lista contiene una descripción de todos los indicadores de rendimiento de campo:

• Dial rojo: un dial de rendimiento de campo rojo indica que no se han proporcionado suficientes ejemplos anotados.
• Círculo ámbar: se muestra un indicador de rendimiento ámbar cuando el rendimiento de un campo es menos que satisfactorio.
• Círculo rojo: se muestra un indicador de rendimiento rojo cuando un campo tiene un rendimiento deficiente.
• Recuperación: entre las extracciones verdaderas, cuántas extracciones predijo realmente el modelo.
• Precisión: entre las extracciones que aplicó el modelo, cuántas extracciones fueron realmente correctas.
• Puntuación F1: media armónica entre precisión y recuperación.

Cuando comprendes el rendimiento en el nivel de campo y el impacto de cambiar las instrucciones de campo, esto puede ayudarte a determinar si el modelo está listo para producción.

Mejores prácticas

• Anotar al menos 10 documentos y 10 campos para obtener una puntuación de proyecto y campo significativa.
• Debes decidir cuándo dejar de entrenar el modelo en función de tus necesidades empresariales específicas y de los objetivos de tu caso de uso. Esto significa que puedes requerir que ciertos campos tengan una mayor precisión y recuperación que otros.

Nota: Los modelos de alta precisión minimizan los falsos positivos, mientras que los modelos de alta recuperación reducen los falsos negativos.