- 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
- Create or delete a data source in the GUI
- Téléchargement d’un fichier CSV dans une source
- Préparation des données en vue du téléchargement du fichier .CSV
- 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
- 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
- Comprendre les exigences de données
- 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
Guide de l'utilisateur de Communications Mining
Entraînement à l'aide d'une confiance faible
Autorisations utilisateur requises : « Afficher les sources » ET « Réviser et annoter ».
La dernière étape clé dans Explorer consiste à entraîner en utilisant le mode « Faible confiance », qui vous montre les messages qui ne sont pas bien couverts par les prédictions de libellé informatives. Ces messages n'auront aucune prédiction ou n'auront que très peu de confiance pour les libellés que la plate-forme comprend comme étant informatifs.
Les «libellés d'information » sont ces libellés que la plate-forme comprend comme étant utiles en tant que libellés autonomes, en examinant la fréquence à laquelle ils sont attribués avec d'autres libellés.
Il s'agit d'une étape très importante pour améliorer la couverture globale de votre modèle. Si vous voyez des messages pour lesquels des libellés existants devraient être prédits, c'est un signe que vous devez effectuer davantage d'entraînement pour ces libellés. Si vous voyez des messages pertinents pour lesquels aucun libellé actuel n'est applicable, voussouhaiterez peut-être créer de nouveaux libellés pour les capturer.
Vous pouvez attribuer des libellés aux messages dans ce mode de la même manière que n'importe quel autre mode d'exploration.
Pour accéder à ce mode, utilisez le menu déroulant en haut à gauche de la page Explorer :
Quelle quantité d’entraînement dois-je faire pour cette étape ?
Ce mode vous présentera 20 messages à la fois, et vous devriez effectuer une quantité raisonnable d'entraînement dans ce mode, en parcourant plusieurs pages de messages et en appliquant les bons libellés, pour aider à augmenter la couverture du modèle (voir ici pour une explication détaillée de la couverture).
Le nombre total d'entraînements que vous devez effectuer dans le mode de confiance « Low confidence » dépendra de plusieurs facteurs :
- Combien d’entraînements vous avez complétés dans Mélanger (Then) et Apprenez-en (Teach ) – plus vous entraînez d’entraînement dans Mélanger et Teach, plus votre ensemble d’entraînement devrait être un échantillon représentatif de l’ensemble de données dans son ensemble, et moins les messages pertinents devraient être dans « Confiance faible » (Low confidence) .
- Le but de l'ensemble de données : si l'ensemble de données est destiné à être utilisé dans le cadre de l'automatisation et nécessite une couverture très élevée, vous devez effectuer une plus grande proportion d'entraînement dans la catégorie « Faible confiance » (Low confidence) pour identifier les différents incidents de pointe pour chaque étiquette.
Au minimum, vous devez viser à annoter cinq pages de messages dans ce mode. Plus tard, dans la phase d’ affinement , lorsque vous vérifierez votre couverture, vous constaterez peut-être que vous devez terminer plus d’entraînement dans « Base confiance » pour améliorer davantage votre couverture.
