- 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
Entraînement des modèles et annotation des meilleures pratiques
Avant de commencer à entraîner votre modèle, il est important de lire les conseils suivants et d'éviter les erreurs courantes. Ceux-ci réduiront le temps d'entraînement et amélioreront les performances de votre modèle.
Les trois éléments les plus importants à retenir chaque fois que vous entraînez un modèle Communications Mining sont :
Ajouter tous les libellés qui s'appliquent : n'oubliez pas d'ajouter tous les libellés qui s'appliquent à un message. Il est courant que les nouveaux utilisateurs annotent partiellement un message en appliquant uniquement celui sur lequel ils se concentrent et en oubliant d'ajouter tous les autres qui s'appliquent. Ne pas appliquer d'étiquette est aussi puissant que d'en appliquer un - vous indiquez au modèle que le message n'est pas quelque chose, ainsi que ce qu'il est. Il est donc important d'appliquer tous les libellés car cela peut confondre le modèle ultérieurement, entraînant potentiellement des performances plus médiocres.
Appliquer des libellés de manière cohérente : n'oubliez pas d'être cohérent dans l'ajout de libellés. Par exemple, si vous ajoutez le libellé « Pièce > Taille » à un message et que vous oubliez de l'ajouter à un autre endroit où il doit être ajouté, vous confondrez le modèle. Comme avec le Conseil précédent ci-dessus, lorsque vous n'appliquez pas de libellé, il est aussi puissant que vous en appliquez un.
Annotez ce que vous voyez : ne faites pas d'hypothèses lorsque vous appliquez vos connaissances métier. Si rien dans l'objet ou le corps du message n'indique qu'un libellé doit s'appliquer, ne l'appliquez pas ou le modèle ne comprendra pas pourquoi il s'applique.
Conseils supplémentaires :
Ne perdez pas du temps à choisir les noms d'étiquettes : ne perdez pas trop de temps à chercher le bon nom d'une étiquette. Vous pouvez renommer un libellé à tout moment pendant le processus d'apprentissage.
Soyez spécifique lors de l'affectation de noms d'une étiquette : soyez aussi spécifique que possible lorsque vous nommez une étiquette et gardez la taxonomie aussi plate que possible au départ. Il est préférable d'être aussi spécifique que possible avec le nom de votre libellé au début, car vous pouvez toujours modifier et restructurer la hiérarchie ultérieurement.
Par exemple, si vous choisissiez d'appliquer une étiquette pour décrire la propriété d'une pièce, vous pouvez appliquer « Nettoyage de la salle ». Si vous avez décidé par la suite de le modifier et que la propriété est une sous-étiquette, vous pouvez la renommer en « Pièce > Nettoyage ». À ce stade, vous devez ajouter autant de libellés que possible à un message, car vous pouvez toujours revenir en arrière et effectuer la fusion ultérieurement.