- 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
Introduction à affiner
La troisième phase, et la dernière étape du processus d'entraînement, s'appelle «Raffiner». Le but de cette étape est de comprendre les performances de votre modèle et de l'affiner jusqu'à ce qu'il fonctionne comme prévu. Cela implique d' améliorer des étiquettes spécifiques qui ne fonctionnent pas comme prévu, de vous assurer que vous avez capturé tous les concepts d'étiquettes pertinents et de vous assurer que vos données d'entraînement sont une représentation équilibrée de l'ensemble de données dans son ensemble.
La plate-forme est conçue pour être complètement transparente pour les utilisateurs en ce qui concerne les performances du modèle, et très flexible lorsqu'il s'agit d'améliorer les performances dans les domaines qui en ont besoin. Pour tout cas d'utilisation, vous voulez être sûr que votre modèle capture une représentation précise du contenu de votre ensemble de données, et cette phase de l'entraînement vous permet de le faire.
Cette section de la base de connaissances couvrira en détail les étapes décrites ci-dessous, mais commencera par des explications détaillées sur la précision et le rappel, sur le fonctionnement de la validation et sur la façon de comprendre les différents aspects des performances du modèle.
Étapes clés
Examiner la notation du modèle - cette étape consiste à vérifier votre notation de modèle en validation et à voir où la plate-forme pensez qu'il peut y avoir des problèmes de performances avec votre modèle, ainsi que des conseils sur la façon de les résoudre. Cette section comprend des détails sur la compréhension et l'amélioration des performances du modèle.
Affiner les performances des libellés (Fine label performance ) : cette étape consiste à prendre des actions recommandées par la plateforme pour améliorer les performances de vos libellés. Il s'agit notamment de l'utilisation des modes d'entraînement « Vérifier le libellé » (Check label) et « Libellé manquant » (Missed label), qui vous aident à résoudre les incohérences potentielles dans votre annotation, ainsi que du mode « Ensembler le libellé » (voir plus de détails dans la phase d' exploration ici)
Augmenter la couverture - cette étape permet de s'assurer que le plus de détails possible sur votre ensemble de données sont couverts par des prédictions de libellé significatives.
Améliorer l'équilibre (Upload balancer) - cette étape consiste à vous assurer que vos données d'entraînement sont une représentation équilibrée de l'ensemble de données dans son ensemble. L'amélioration de l'équilibre dans l'ensemble de données permet de réduire le biais d'annotation et d'augmenter la fiabilité des prédictions faites.