- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Entités (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 .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les entités 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
- Meilleures pratiques d'entraînement et de labellisation des modèles
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de « Mélanger »
- Entraînement à l'aide d'« Ensemble des libellés » (Explore)
- Entraînement à l'aide de l'option 'Faible confiance'
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à 'Raffiner'
- 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 de « Vérifier le libellé » et « Libellé manquant »
- 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 de « Rééquilibrer »
- Quand arrêter l'entraînement de votre modèle
- Définition et configuration de vos entités
- Comprendre les entités
- Quelles sont les entités pré-entraînées disponibles ?
- Activation, désactivation, mise à jour et création d'entités
- Filtrage des entités
- Examiner et appliquer des entités
- Validation pour les entités
- Amélioration des performances de l'entité
- Création d'entités Regex personnalisées
- Utilisation des analyses de surveillance &
- Automatisations et Communications Mining
- FAQ et plus
Examiner et appliquer des entités
Autorisations utilisateur requises : « Afficher les sources » ET « Révision et libellé ».
Les entités prévues apparaissent sous forme de texte surligné en couleur, comme dans la première ligne du message ci-dessous, avec une couleur différente apparaissant pour chaque type d'entité différent. Une fois qu'une entité a été confirmée par un utilisateur, en l'appliquant manuellement ou en acceptant une prédiction, l'entité apparaîtra sous forme de texte surligné avec un contour gras et plus sombre comme indiqué ci-dessous.
Si un paragraphe contient des entités attribuées, ignorées ou appliquées, il apparaîtra surligné en gris, comme indiqué dans le corps du message ci-dessous.
Lors de l'examen des entités entraînables, il est important de se souvenir que la plate-forme apprendra à la fois à partir des valeurs d'entité que vous attribuez, ainsi que du contexte où elles apparaissent dans les communications, c'est-à-dire l'autre langage utilisé pour les valeurs elles-mêmes.
La plate-forme prendra en compte le contexte de la langue dans le même paragraphe que la valeur de l'entité, ainsi que les paragraphes uniques (signalés par une nouvelle ligne séparée) directement avant et après le paragraphe dans lequel se trouve l'entité.
Remarque : pour les entités qui ne sont pas définies comme entraînables, les prédictions de la plate-forme sont entièrement basées sur les règles définies dans la plate-forme pour cette entité. Cela peut être utile lorsqu'une entité doit absolument suivre un format défini pour une automatisation en aval, avec des valeurs incorrectes provoquant un échec ou une exception.
Lorsque la plate-forme prédit quelles entités s'appliqueront à une communication, elle attribue à chaque prédiction un score de confiance (%) pour montrer la confiance que l'entité applique à la plage de texte mise en surbrillance. Vous pouvez afficher le score de confiance d’une entité en pointant sur l’entité.
Ce score de confiance est également mis à disposition via l'API afin qu'il puisse informer les actions automatisées entreprises en aval.
Une fois les entités activées (voir ici), la plate-forme commencera automatiquement à les prédire dans les messages de l'ensemble de données. Les utilisateurs peuvent alors accepter les prédictions qui sont correctes ou les rejeter lorsqu'elles sont incorrectes. Chacune de ces actions envoie des messages d'entraînement qui seront utilisés pour améliorer la compréhension de la plate-forme par rapport à cette entité.
Pour les entités pré-entraînées qui sont entraînées hors ligne (par ex. quantité monétaire, URL, etc.), il est plus important, dans une perspective d'amélioration, pour les utilisateurs de rejeter ou de corriger les prédictions erronées que d'accepter les prédictions correctes.
Pour les entités qui s'entraînent en direct sur la plate-forme, il est tout aussi important d'accepter les prédictions correctes et de rejeter les prédictions incorrectes. Cependant, vous n'avez pas besoin de continuer à accepter de nombreux exemples corrects de chaque entité unique pour ces types (par exemple Exemple (Banque ltd. est une entité organisationnelle unique) si vous ne trouvez pas d'entités prédites de manière incorrecte.
La clé mise en garde est que si vous examinez une entité dans un paragraphe, vous devez passer en revue toutes les autres entités de ce paragraphe.
Pour examiner une prédiction d'entité, pointez la souris sur la prédiction et le modal de révision de l'entité apparaîtra, comme illustré dans l'exemple ci-dessous. Pour l’accepter, cliquez sur « Confirmer » (Confirm), pour le rejeter, cliquez sur « Ignorer ».
Les entités et les libellés peuvent être entraînés indépendamment les uns des autres. L'examen des libellés d'un message ne signifie pas que vous devez examiner les entités dans ce même message. Il est cependant recommandé de faire les deux en même temps, afin d'utiliser le plus efficacement votre temps lors de l'entraînement du modèle.
Remarque : il est très important lors de l'entraînement des entités de suivre les meilleures pratiques expliquées ci-dessous, notamment en ce qui concerne les paragraphes non partiellement labellisés.
Pour comprendre comment la plate-forme est capable de prédire chaque entité activée pour un ensemble de données (en particulier celles pouvant être entraînées), voir ici.
Il est important que vous rejetiez les prédictions d'entité incorrectes, mais si le texte mis en surbrillance était en fait une entité différente (ce serait plus courant pour les entités liées à la date), vous appliquiez ensuite la bonne entité (voir ci-dessous pour savoir comment appliquer les entités).
Pour appliquer une entité à un texte où la plate-forme ne l'a peut-être pas prédit, les utilisateurs doivent simplement mettre en surbrillance la section de test comme vous le feriez si vous alliez le copier.
Un menu déroulant apparaîtra, comme indiqué ci-dessous, contenant toutes les entités que vous avez activées pour votre jeu de données. Cliquez simplement sur la bonne option pour l'appliquer ou appuyez sur le raccourci clavier correspondant.
Le raccourci clavier par défaut pour chaque entité est la lettre qui commence. Si plusieurs entités commencent par la même lettre, l'une sera affectée à l'autre de manière aléatoire.
Une fois qu'une entité a été appliquée, elle sera surlignée en couleur avec un contour gras (voir ci-dessous). Chaque type d'entité aura sa propre couleur spécifique.
Une valeur d'un type d'entité donné ne peut pas être divisée sur plusieurs paragraphes. La valeur complète doit être contenue dans un paragraphe pour être extraite en une seule valeur d'entité.
Il y a deux bonnes pratiques très importantes à retenir lors de l'acceptation, du rejet ou de l'application d'entités dans les messages :
1. Ne divisez pas les mots
Il est important de ne pas diviser les mots : l'entité mise en surbrillance doit couvrir le mot entier (ou plusieurs) en question, pas seulement une partie (voir l'exemple incorrect à gauche ci-dessous et l'application correcte à droite)
2. Ne labellisez pas partiellement les paragraphes
Lors de la labellisation, si un utilisateur attribue un libellé à un message, il doit appliquer TOUS les libellés qui pourraient s'appliquer à ce message, sinon vous apprenez au modèle que ces autres libellés ne doivent pas s'appliquer. Pour les entités, il en va de même pour les entités, sauf que les entités sont révisées ou appliquées au niveau du paragraphe, plutôt que du message entier.
Les paragraphes d'un message sont séparés par de nouvelles lignes. La ligne d'objet d'un message électronique est considérée comme son propre paragraphe unique.
Assurez-vous de passer en revue ou d'appliquer toutes les entités d'un paragraphe dans tousles types d'entités si vous en examinez ou appliquez l'un d'entre eux. L'application, l'acceptation ou le rejet d'entités dans un paragraphe signifie que le paragraphe est traité comme « révisé » par la plateforme du point de vue de l'entité. Par conséquent, il est important d'accepter ou de rejeter TOUTES les prédictions de ce paragraphe.
L'exemple ci-dessous montre les différents paragraphes qui ont été révisés dans le message électronique.
Le message affiché ci-dessous montre le même exemple où l'utilisateur n'a pas accepté ou rejeté toutes les prédictions d'entité dans un seul paragraphe. C'est incorrect car le modèle traitera à tort l'entité de quantité monétaire comme une prédiction incorrecte.