- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- General fields (previously 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 du fichier .CSV
- Entraînement et maintenance du modèle
- Understanding labels, general fields and metadata
- 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
- Defining and setting up your general fields
- Understanding general fields
- Which pre-trained general fields are available?
- Enabling, disabling, updating and creating general fields
- General field filtering
- Reviewing and applying general fields
- Validation for general fields
- Improving general field performance
- Building custom regex general fields
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- FAQ et plus encore
![](https://docs.uipath.com/_next/static/media/grid.05ebd128.png?w=3840&q=100)
Restauration du modèle
Introduction
The model rollback feature allows us to revert back to a previous version of our model, allowing us to reset the training data (for both label and general field annotations) to the annotations used to train this model version.
Il est important de noter que nous ne pouvons revenir qu'aux versions épinglées des modèles.
Comment utiliser cette fonctionnalité
Sur la page « Modèles », l'icône de restauration du modèle sera disponible sur toutes les versions épinglées de notre modèle. Pour poursuivre la restauration du modèle, cliquez sur l'icône de restauration sur la version du modèle vers laquelle vous souhaitez revenir.
Il est important de noter que la version actuelle du modèle entraîné sera automatiquement épinglée comme sauvegarde, mais que toutes les annotations capturées par une version de modèle qui est actuellement encore en cours d’entraînement seront perdues.
Nous vous recommandons de permettre à la version actuelle du modèle de terminer l'entraînement avant de restaurer votre modèle. Un module contextuel s'affichera pour nous le rappeler après avoir cliqué sur le bouton de restauration. Si nous voulons continuer, nous pouvons cliquer sur le bouton « Réinitialiser ».
While the model is rolling back, we will not be able to modify the dataset. This means that we will not be able to train our model during this time, and apply any labels or general fields to messages. A warning indicator will show up at the top, letting us know that the model is currently being rolled back.
If we try to modify our dataset, the following banner will appear in the bottom right corner of our screen, and any messages we try to annotate will not have the label or general field applied to it until the model rollback has complete.
Bien que la fonctionnalité de restauration soit là pour nous aider à revenir à une version précédente d'un modèle si nous avons fait des erreurs majeures dans notre entraînement de modèle, nous ne devons pas trop nous y fier.
Au lieu de cela, nous devons nous assurer que nous suivons correctement la méthodologie d'entraînement du modèle appropriée du premier coup, car cela nous permettra de gagner du temps à long terme.