- 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)
- Comprendre le statut de votre 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
Modèles
Un modèle d'apprentissage automatique est essentiellement une représentation mathématique d'un processus réel. Pour créer des modèles d'apprentissage automatique, vous devez fournir aux algorithmes d'apprentissage automatique des données d'entraînement à partir desquelles ils peuvent apprendre.
La plate-forme utilise un certain nombre de modèles d'apprentissage automatique (à la fois supervisés et non supervisés) afin d'interpréter, de comprendre et d'appliquer des libellés à vos données. Nous utilisons souvent le terme « modèle » dans notre plate-forme et notre documentation pour désigner collectivement ces modèles qui travaillent en arrière-plan.
Chaque ensemble de données est associé à un « modèle », qui est entraîné au fur et à mesure que les utilisateurs examinent les messages au sein de la plate-forme. Au fur et à mesure que le modèle s'entraîne, il apprend et s'améliore, ce qui lui permet de faire de meilleures prédictions pour les libellés et les champs généraux.
Les modèles peuvent être enregistrés et versionnés. Cela signifie que lorsque les utilisateurs configurent un flux d'automatisation, ils peuvent sélectionner une version spécifique du modèle et peuvent avoir confiance dans les performances de cette version pour le libellé en question. Cela donne aux utilisateurs un déterminisme lorsqu'il s'agit de créer des automatisations ou d'utiliser les données à des fins d'analyse dans des applications en aval. Pour plus d'informations, consultez la section des modèles .