- 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
Entraînement à l'aide de l'option 'Faible confiance'
Autorisations utilisateur requises : « Afficher les sources » ET « Révision et libellé ».
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)
- L'objectif 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'entraînements en mode 'Low confidence' afin d'identifier les différents incidents rencontrés pour chaque étiquette
Au minimum, vous devez avoir pour cible la labellisation de 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.