Annotation générative (New)

Qu'est-ce que l'annotation générative ?

l'annotation générative utilise le point de terminaison Azure OpenAI de Microsoft pour générer les libellés suggérés par l'IA afin d'accélérer la conception de la taxonomie et les premières phases de l'entraînement du modèle ; et de réduire le temps à valeur pour tous les cas d’utilisation de Communications Mining.

Cela comprend :

1. Suggestions de cluster ( Cluster Suggestions) : libellés nouveaux ou existants suggérés pour les clusters en fonction de leur/des thème(s) identifié(s)
2. Annotation assistée : prédictions automatiques pour les libellés en fonction des noms ou descriptions des libellés.

Comment utiliser l'annotation générative ?

Les fonctionnalités d'annotation générative seront automatiquement activées sur les ensembles de données – vous n'avez rien à faire pour commencer à les utiliser.

Une fois qu'un ensemble de données est créé, des suggestions de cluster seront automatiquement générées dans un court laps de temps. Si une taxonomie a été téléchargée (fortement recommandé), Communications Mining suggérera à la fois des libellés existants et nouveaux pour les clusters.

Lorsqu'une taxonomie est téléchargée vers un ensemble de données, cela déclenchera également automatiquement l'entraînement d'un modèle initial sans données d'entraînement, en utilisant simplement les noms et les descriptions des libellés. Cela peut prendre quelques minutes à partir du moment où vous avez téléchargé la taxonomie.

• Pour les suggestions de cluster : accédez à l'onglet Entraîner (Train) et sélectionnez un lot de clusters ou accédez à l'onglet Découvrir (Discover) et sélectionnez le mode Cluster pour commencer à annoter.
• Pour l'annotation assistée : accédez à l'onglet Entraîner (Train) et suivez les actions recommandées, ou accédez à l'onglet Parcourir (Explore) et sélectionnez le mode Mélanger ((Mandatory) ou Ensemble des libellés (Teach Label) pour commencer l'annotation.

Remarque : Ces fonctionnalités ne seront pas disponibles si votre organisation a choisi de désactiver les services Azure OpenAI.

Comment utiliser les suggestions de cluster ?

Exemple de suggestion de cluster

Prérequis: autorisation « Réviser et annoter » /

Les suggestions de cluster apparaîtront en haut de chaque page de cluster (zones de fond blancs avec une bordure bleue). Il peut s'agir d'un ou de plusieurs libellés suggérés pour chaque cluster.

Si vous avez activé l' analyse des sentiments des libellés, les suggestions de cluster auront un sentiment positif ou négatif (ombre blanche avec une bordure verte ou rouge).

Vous pouvez savoir qu'il s'agit d'un libellé suggéré par l'IA par l'icône en forme d'étinceau rouge à côté du nom du libellé.

Exemple de libellé suggéré par l'IA

Les formateurs de modèles doivent examiner chaque suggestion de cluster et :

1. Acceptez-le en cliquant dessus, ou
2. Attribuez un nouveau libellé si vous n'êtes pas d'accord avec la suggestion donnée.

Comment les suggestions de cluster aident-elles à l'entraînement du modèle ?

Les suggestions de cluster peuvent accélérer considérablement la première phase du processus d’entraînement du modèle en générant automatiquement des libellés suggérés pour chaque cluster.

Cela peut également aider dans le cadre de la conception de taxonomie, si les utilisateurs ont du mal à définir les concepts qu'ils souhaitent former.

Les suggestions de cluster sont générées sur la base du thème identifié partagé dans les messages d'un cluster.

La création de clusters et la génération de suggestions de libellés est un processus automatique et entièrement non supervisé sans intervention humaine requise.

Les suggestions de libellés pour les clusters seront générées avec ou sans taxonomie prédéfinie, mais les suggestions seront influencées et généralement rendues plus utiles en exploitant les libellés importés/existants.

Comment utiliser l'annotation assistée ?

Exemple d'annotation assistée

Prérequis 1: autorisation 'Réviser et annoter'.

Prérequis 2: liste importée des noms de libellés.

Facultatif mais fortement recommandé: Liste importée des descriptions de libellés.

Une fois que le modèle initial s'est automatiquement entraîné en utilisant les noms de libellés et les descriptions comme entrée d'entraînement, des prédictions apparaîtront pour la plupart des messages de l'ensemble de données.

Ces prédictions fonctionnent exactement de la même manière qu'auparavant : elles sont simplement générées sans données d'entraînement.

Si vous avez activé l' Analyse des sentiments des libellés (Label sentiment analysis), les prédictions initiales auront un sentiment positif ou négatif (différentes tons de vert/rouge en fonction du niveau de confiance).

L'annotation assistée fonctionne dans n'importe quel lot ou mode d'entraînement, mais il est plus efficace d'utiliser dans « Masquer » et « Ensembler le libellé » (suivre les étapes d'annotation régulières dans chaque lot d'entraînement dans Entraîner (Train) ou Explorer (Explore)).

Comment l'annotation assistée contribue-t-elle à l'entraînement du modèle ?

L’annotation assistée peut accélérer considérablement la deuxième phase du processus d’entraînement du modèle en générant automatiquement des prédictions pour chaque libellé avec un contexte suffisant, sans exemple d’entraînement requis.

Les prédictions initiales seront basées sur la qualité des noms d'étiquettes et des descriptions en langage naturel (c'est-à-dire les noms imprécis peuvent conduire à des prédictions imprécises ou minimales). Des descriptions d'étiquettes détaillées peuvent améliorer les performances du modèle initial.

Au fur et à mesure que vous entraînez votre ensemble de données, la plate-forme utilisera à la fois les noms et les descriptions des libellés ainsi que vos exemples épinglés pour générer des prédictions de labellisation pertinentes.

Ceux-ci continueront de s'améliorer avec plus d'entraînement et, au final, ne s'appuyeront que sur des exemples d'entraînement annotés une fois que suffisamment d'exemples d'entraînement ont été fournis.

L’annotation assistée nécessite toujours un apprentissage supervisé en acceptant/rejetant les prédictions, mais elle accélère la partie la plus longue de l’entraînement du modèle en fournissant de meilleures prédictions avec zéro ou très peu d’exemples épinglés.