- 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
Restauration du modèle
Introduction
La fonction de restauration du modèle nous permet de revenir à une version précédente de notre modèle, nous permettant de réinitialiser les données d'entraînement (pour les annotations de libellé et de champ général) sur les annotations utilisées pour entraîner cette version de modèle.
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 ».
Pendant que le modèle revient en arrière, nous ne pourrons pas modifier l’ensemble de données. Cela signifie que nous ne pourrons pas entraîner notre modèle pendant cette période, ni appliquer de libellés ou de champs généraux aux messages. Un indicateur d'avertissement s'affichera en haut pour nous informer que le modèle est en cours de restauration.
Si nous essayons de modifier notre ensemble de données, la bannière suivante apparaîtra dans le coin inférieur droit de notre écran, et tous les messages que nous essayons d'annoter ne comporteront pas l'étiquette ou le champ général tant que la restauration du modèle n'est pas terminée.
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.