- 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
- Application de libellés
- Consulter les messages
- Recherche de messages
- Modification des libellés
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- Informations de licence
- FAQ et plus encore
Consulter les messages
Autorisations utilisateur requises : « Afficher les sources » ET « Réviser et annoter ».
Vue d'ensemble (Overview)
L’examen des messages non examinés et l’acceptation ou le rejet des libellés et des champs généraux prédits par la plate-forme entraînent davantage le modèle et sa précision.
Vous pouvez consulter les messages non révisés dans la plupart des modes d'entraînement dans Parcourir (Explore) et Découvrir (Discover) :
- Cluster (Discover)
- Rechercher (Découvrir et Explorer)
- Récent (Explorer)
- Mode Mélanger (Explore)
- Mode de libellé (Exploration)
- Enseigner (Explore)
- Faible confiance (Exploration)
Assurez-vous d'appliquer tous les libellés pertinents dans votre taxonomie pour chaque message. Lorsque vous examinez un message, non seulement vous apprenez au modèle quels libellés s'appliquent, mais également quels libellés ne le sont pas. Si vous n'appliquez pas toutes les étiquettes pertinentes, vous envoyez un signal d'entraînement négatif au modèle, ce qui affectera ses performances.
L'opacité d'un libellé indique la confiance de la prédiction de la plate-forme de ce libellé, avec une opérabilité plus élevée indiquant une confiance plus élevée.
Le survol du libellé ouvre un modal affichant la confiance avec laquelle le modèle a prédit le libellé et, si l'analyse des sentiments est activée, le sentiment net.
- En cliquant sur le libellé ou sur l'indicateur de sentiment (si l'analyse des sentiments est activée), épinglez le libellé au message, c'est-à-dire qu'il confirme la prédiction du modèle de ce libellé
- Si vous souhaitez modifier le sentiment du libellé prévu, cliquez sur l'image du visage qui apparaît lorsque vous survolez le message
- Si la prédiction est erronée, ajoutez la bonne (cela annule efficacement les prédictions incorrectes)
Le survol du champ général ouvre un modal affichant la confiance avec laquelle le modèle a prédit le champ général.
Accepter/rejeter un champ général
- En cliquant sur « Confirmer » dans le champ général (ou en cliquant sur le raccourci clavier « 1 » pour confirmer un champ général), le champ général est épinglé au message, c’est-à-dire qu’il confirme la prédiction du modèle de ce libellé
- En cliquant sur « ignorer » dans le champ général (ou en cliquant sur le raccourci clavier « 2 » pour ignorer un champ général), indiquez à la plate-forme que le champ général prédit est incorrect
- Cliquer sur le bouton Modifier le champ général (ChangeGeneral Field) nous permet d’attribuer un champ général différent, si le champ général prédit est incorrect
- Dans l'exemple ci-dessus, un clic sur ce bouton affichera les autres champs généraux de notre jeu de données que nous pouvons attribuer
- Dans ce cas, nous pouvons modifier le type de champ général de « Date d'annulation » à « Début de la politique » dans cette liste déroulante, ce qui attribuera ce champ général
