- 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
Annotation générative (New)
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 :
- Suggestions de cluster ( Cluster Suggestions) : libellés nouveaux ou existants suggérés pour les clusters en fonction de leur/des thème(s) identifié(s)
- Annotation assistée : prédictions automatiques pour les libellés en fonction des noms ou descriptions des libellés.
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.
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.
Les formateurs de modèles doivent examiner chaque suggestion de cluster et :
- Acceptez-le en cliquant dessus, ou
- Attribuez un nouveau libellé si vous n'êtes pas d'accord avec la suggestion donnée.
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.
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)).
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.
- Qu'est-ce que l'annotation générative ?
- Comment utiliser l'annotation générative ?
- Comment utiliser les suggestions de cluster ?
- Comment les suggestions de cluster aident-elles à l'entraînement du modèle ?
- Comment utiliser l'annotation assistée ?
- Comment l'annotation assistée contribue-t-elle à l'entraînement du modèle ?