- 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
Amélioration des performances de l'entité
Autorisations utilisateur requises : « Révision et libellé ».
Comme les libellés d'entraînement, les entités d'entraînement correspondent au processus par lequel un utilisateur apprend à la plateforme quelles entités s'appliquent à un message donné à l'aide de différents modes d'entraînement.
Comme pour les libellés, les modes «Enseigner», «Vérifier» et «Missé» sont disponibles pour entraîner et améliorer les performances des entités. Ils sont accessibles soit 1) sur la page Parcourir (Explore ) via la liste déroulante des formation, soit 2) en suivant les actions recommandées dans l’onglet Entité (Entity) de la page Validation (Validation).
Si une entité spécifique affiche un avertissement de performances, la plate-forme recommande la prochaine meilleure action qui selon elle permettra de résoudre cet avertissement, répertoriée par ordre de priorité. Cela s'affichera lorsque vous sélectionnerez une entité spécifique dans la taxonomie ou dans le graphique « Toutes les entités ».
Les meilleures suggestions d'actions suivantes agissent comme des liens sur lesquels vous pouvez cliquer pour vous accéder directement à la vue d'entraînement suggérée par la plate-forme afin d'améliorer les performances de l'entité. Les suggestions sont intelligemment classées avec l' action de priorité la plus élevée pour améliorer l'entité répertoriée en premier.
Il s'agit de l' outil le plus important pour vous aider à comprendre les performances de vos entités. Il doit régulièrement être utilisé comme guide lorsque vous essayez d'améliorer les performances des entités.
Le tableau suivant récapitule les cas où la plate-forme recommande chaque mode d'entraînement d'entité :
Apprendre à l'entité | Vérifier l’entité | Entité manquante |
- Afficher les prédictions pour une étiquette où le modèle est le plus confus s'il s'applique ou non - Pour l'entraînement d'entités sur des messages non examinés |
- Affiche les messages où la plate-forme suppose que l'entité a peut-être été mal appliquée - Pour entraîner des entités sur des messages examinés pour essayer de trouver et de corriger les incohérences |
- Affiche les messages qui, selon la plate-forme, peuvent manquer l'entité sélectionnée - Pour entraîner des entités sur des messages examinés pour essayer de trouver et de corriger les incohérences |
L'utilisation de l'option Tester l'entité (Teach Entity) améliore les performances de l'entité, car le modèle reçoit de nouvelles informations sur les messages pour lesquels il n'est pas sûr, par opposition à ceux pour lesquels il a déjà des prédictions très fiables.
La plate-forme recommande « En savoir plus sur l'entité » lorsque :
- Il y a un avertissement de performances à côté d'une entité (comme vu ci-dessous - lorsque la valeur min. 25 exemples n'ont pas été fournis).
- Le score F1 d'une entité donnée est faible
- Le contexte n'est pas toujours visible dans le texte d'une entité, ou bien il y a beaucoup de variations dans les valeurs des entités pour un type donné
L'utilisation de l'entité de contrôle permet d'identifier les incohérences dans l'ensemble révisé, tout en améliorant la compréhension du modèle de l'entité, en garantissant que le modèle dispose d'exemples corrects et cohérents pour faire des prédictions. Cela améliorera le rappel d'une entité.
La plate-forme recommande « Vérifier l'entité » lorsque :
- Faible rappel, mais haute précision
- Les prédictions de la plate-forme sont très précises, mais la plupart du temps où l'entité a été appliquée, elle ne détecte pas ces exemples
(Pour plus de détails sur les calculs de validation des entités, veuillez cliquer ici)
L'utilisation de l'entité manquante permet de trouver des exemples dans l'ensemble révisé qui devraient avoir l'entité sélectionnée, mais qui n'en ont pas. Cela aidera également à identifier les messages partiellement labellisés ce qui peut empêcher le modèle de prédire une entité. Cela améliorera la précision d'une entité et garantira que le modèle dispose d'exemples corrects et cohérents pour faire des prédictions.
La plate-forme recommande « Missed Entity » lorsque :
- Rappel élevé, mais faible précision
- Nous prédisons beaucoup d'entités de manière incorrecte, mais lorsque nous les faisons correctement, nous détectons la plupart des exemples qui devraient s'y trouver
(Pour plus de détails sur les calculs de validation des entités, veuillez cliquer ici)