- 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
Libellés (prédictions, niveaux de confiance, hiérarchie, etc.)
Un libellé est un résumé structuré d'une intention ou d'un concept exprimé dans un message. Un message est souvent résumé par plusieurs libellés, c'est-à-dire qu'un libellé n'est pas une classification mutuellement exclusive du message.
Par exemple, dans un ensemble de données surveillant l'expérience client, nous pouvons créer un libellé appelé « Notification de facture incorrecte », qui décrit lorsqu'un client informe l'entreprise qu'il a reçu une facture incorrecte.
Les actions de création et de modification de libellés sont principalement effectuées dans les pages Explorer ( Explore) et Découvrir (Discover).
Épinglé vs Prédit
Les libellés sont initialement créés par les utilisateurs en appliquant un à un message pertinent. Les utilisateurs peuvent continuer à les appliquer pour créer des exemples d'entraînement pour le modèle, et la plate-forme commencera alors à prédire automatiquement le libellé dans l'ensemble de données pour lequel il est pertinent.
Une étiquette qui a été appliquée par un utilisateur à un message est considérée comme « épinglée », tandis que celles que la plate-forme attribue aux messages sont nommées prédictions d'étiquette. Pour plus de détails, voir ici pour en savoir plus sur les messages examinés et non examinés.
Niveaux de confiance
Lorsque la plate-forme prévoit si une étiquette s'applique à un message qui n'a pas été examiné par un utilisateur, elle fournit un niveau de confiance (%) pour cette prédiction d'étiquette. Plus le niveau de confiance est élevé, plus la plate-forme est sûre que le libellé s'applique.
Les libellés sont ombrenés par le niveau de confiance de la plate-forme dans les libellés prédits. Plus l'étiquette est opaque, plus la confiance de la plate-forme est élevée.
Hiérarchie de libellés
Les libellés peuvent être organisés selon une structure hiérarchique pour vous aider à organiser et à entraîner plus rapidement les nouveaux concepts.
Cette hiérarchie prend le format suivant : [Libellé parent] > [Libellé de la branche 1] > [Libellé de la branche n] > [Libellé des enfants]
Un libellé peut être un libellé parent autonome ou avoir des libellés de branche et d'enfants (séparés par '>') qui forment des sous-ensembles des libellés précédents dans la hiérarchie.
Chaque fois qu'un libellé enfant ou un libellé de branche est épinglé ou prédit, le modèle considère que les niveaux précédents de la hiérarchie ont également été épinglés ou prédits. Les prédictions des libellés parents ont généralement des niveaux de confiance plus élevés que les niveaux inférieurs de la hiérarchie, car elles sont souvent plus faciles à identifier.
Pour en savoir plus sur les hiérarchies de libellés, reportez-vous ici.
Sentiment du libellé
Pour les ensembles de données où l'analyse des sentiments est activée, chaque libellé (à la fois épinglé et prédit) est associé à un sentiment positif ou négatif indiqué par une couleur verte ou rouge (telles que les prédictions de sentiment positifs ci-dessous).
Différents niveaux d'une hiérarchie d'étiquettes peuvent avoir différentes prédictions de sentiment. Par exemple, un avis peut être globalement positif pour une « Propriété » mais négatif pour une « Propriété > Emplacement ».