- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Entités (Entities)
- Libellés (prédictions, niveaux de confiance, hiérarchie, etc.)
- Modèles
- Flux
- Évaluation du modèle
- Projets
- Précision
- Rappel
- Messages examinés et non examinés
- Sources
- Taxonomies
- Apprentissage
- Prédictions positives et négatives vraies et fausses
- Validation
- Messages
- Administration
- Gérer les sources et les jeux de données
- Comprendre la structure des données et les autorisations
- Créer une source de données dans l'interface graphique
- Téléchargement d’un fichier CSV dans une source
- Créer un nouveau jeu de données
- Sources et jeux de données multilingues
- Activation des sentiments sur un ensemble de données
- Modifier les paramètres d’un jeu de données
- Supprimer des messages via l'interface utilisateur
- Supprimer un jeu de données
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les entités et les métadonnées
- Hiérarchie des libellés et bonnes pratiques
- Définition de vos objectifs de taxonomie
- Cas d'utilisation d'analyse vs d'automatisation
- Transformer vos objectifs en libellés
- Construire votre structure de taxonomie
- Meilleures pratiques de conception de taxonomie
- Importation de votre taxonomie
- Présentation du processus d'entraînement du modèle
- Annotation générative (New)
- Comprendre le statut de votre jeu de données
- Meilleures pratiques d'entraînement et de labellisation des modèles
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de « Mélanger »
- Entraînement à l'aide d'« Ensemble des libellés » (Explore)
- Entraînement à l'aide de l'option 'Faible confiance'
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à 'Raffiner'
- Précision et rappel expliqués
- Précision et rappel
- Comment fonctionne la validation ?
- Comprendre et améliorer les performances du modèle
- Pourquoi un libellé peut-il avoir une précision moyenne faible ?
- Entraînement à l'aide de « Vérifier le libellé » et « Libellé manquant »
- Entraînement à l'aide du libellé En savoir plus (Affiner)
- Entraînement à l'aide de la recherche (affiner)
- Comprendre et augmenter la couverture
- Amélioration de l'équilibre et utilisation de « Rééquilibrer »
- Quand arrêter l'entraînement de votre modèle
- Définition et configuration de vos entités
- Comprendre les entités
- Quelles sont les entités pré-entraînées disponibles ?
- Activation, désactivation, mise à jour et création d'entités
- Filtrage des entités
- Examiner et appliquer des entités
- Validation pour les entités
- Amélioration des performances de l'entité
- Création d'entités Regex personnalisées
- Utilisation des analyses de surveillance &
- Automatisations et Communications Mining
- FAQ et plus
Définition de vos objectifs de taxonomie
Avant de commencer à entraîner votre modèle, il est important de comprendre comment aborder votre taxonomie, y compris en créant vos libellés, et ce qu'ils doivent capturer. Vous devez également définir les points de données clés (c'est-à-dire que vous souhaitez entraîner si vous prévoyez d'explorer et de mettre en œuvre une ou plusieurs automatisations.
Une taxonomie est une collection de tous les libellés appliqués aux messages d'un ensemble de données, structurés de manière hiérarchique. Il peut également faire référence et inclure les types d'entités activés dans un ensemble de données, bien que ceux-ci soient organisés en une hiérarchie plate. Cette section fait référence aux taxonomies de libellés.
Un cas d'utilisation réussi repose principalement sur un ensemble d'objectifs clairement défini. Les objectifs garantissent non seulement que tout le monde travaille vers un objectif commun, mais ils vous aident également à décider du type de modèle que vous souhaitez créer et à façonner la structure de votre taxonomie. En fin de compte, vos objectifs dicteront les concepts que vous entraînez la plate-forme à prédire.
Les taxonomies peuvent être ciblées en vue d’atteindre des objectifs d’automatisation, d’analyse ou des deux. Lors de la conception de votre taxonomie, vous devez vous poser les questions suivantes :
- Pour piloter les automatisations ou les informations nécessaires, quelles sont les intentions ou les concepts que je dois reconnaître dans les données ?
- Ces concepts sont-ils tous reconnaissables uniquement à partir du texte du message ?
- Certains concepts doivent-ils être structurés d'une certaine manière pour faciliter des actions spécifiques ?
Globalement, avec un entraînement suffisant, vos libellés devraient créer une représentation précise et équilibrée de l'ensemble de données, dans le contexte de vos objectifs (par ex. couvrant tous les types de requêtes qui seront automatiquement acheminés en aval).
Vous ne pourrez peut-être pas atteindre tous vos objectifs avec une seule taxonomie dans un ensemble de données. Si vous souhaitez obtenir des analyses globales et détaillées pour un canal de communication, mais également automatiser un nombre sélectionné de types de requêtes entrantes dans des files d'attente de workflows, vous aurez peut-être besoin de plus d'un jeu de données pour faciliter cette opération.
Il est généralement préférable de ne pas essayer de tout réaliser en même temps dans une taxonomie à plusieurs fins, car cela peut devenir très difficile à entraîner et à maintenir des performances élevées. Il est plus facile de commencer avec une taxonomie à des fins spécifiques, par exemple l'analyse des données de commentaires des clients dans l'application pour les demandes et les bogues de fonctionnalités des produits, ou la surveillance de la qualité du service client dans la boîte de réception d'une équipe d'exploitation.
Une répartition des différents types d’objectifs est couverte dans l’article suivant sur les cas d’utilisation basés sur l’analyse ou l’automatisation.
