- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Champs généraux (anciennement entités)
- 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
- Supprimer une source
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement du fichier .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les champs généraux 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)
- Statut du jeu de données
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de la classification par glisser-déposer
- Entraînement à l'aide de l'option Enseigner le libellé (Explore)
- Entraînement à l'aide d'une confiance faible
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à affiner
- 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 du libellé Vérifier (Check label) et du libellé Manqué (Missed Label)
- 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 du rééquilibrage
- Quand arrêter l'entraînement de votre modèle
- Utilisation de champs généraux
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- Informations de licence
- FAQ et plus encore
Découvrir
Autorisations utilisateur requises : « Afficher les sources » ET « Afficher les libellés ».
- Tout d’abord, il vous aide à découvrir des clusters de messages intéressants. Les clusters sont des thèmes de messages, que la plateforme a identifiés comme partageant des intentions ou des concepts similaires.
Lorsque les données sont téléchargées, la plate-forme utilise un apprentissage non supervisé (c'est-à-dire qu'elle lit et interprète les données sans aucune formation humaine) pour découvrir automatiquement ces clusters de messages similaires et les présenter dans l'interface graphique. Cette fonctionnalité facilite et accélère la découverte de nouvelles intentions et l'application de libellés, et constitue généralement la première étape du processus d'entraînement du modèle.
Une fois qu'une quantité importante d'entraînement est terminée ou qu'une quantité importante de données a été ajoutée à l'ensemble de données, Découvrir vous réentraînera et vous présentera de nouveaux clusters de messages non révisés. Lors du réentraînement de Discovery, il prend en compte la taxonomie existante, afin de vous présenter de nouveaux clusters qui vous intéressent toujours.
- Deuxièmement, Découvrir permet aux utilisateurs d’ annoter des messages en bloc, ainsi qu’individuellement, en utilisant soit la fonction « Cluster » (discutée ci-dessus), soit la fonction « Rechercher ». Comme les messages de chaque cluster doivent contenir des intentions et des concepts similaires, la fonctionnalité d'annotation en bloc est un outil utile pour entraîner rapidement le modèle.
La fonction de recherche vous permet de rechercher des termes ou des phrases clés qui, selon vous, peuvent être pertinentes pour certains libellés que vous souhaitez capturer.
Découvrir la page