Communications Mining
Plus récente (Latest)
False
- 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 la recherche (Explorer)
Guide de l'utilisateur de Communications Mining
Dernière mise à jour 18 avr. 2024
Entraînement à l'aide de la recherche (Explorer)
Autorisation utilisateur requise : « Afficher les sources » ET « Révision et libellé ».
Même si l'entraînement à l'aide de
Search
n'est pas l'une des étapes principales décrites dans la phase Explorer (Explore) de l'entraînement, il peut toujours être un outil d'entraînement utile à n'importe quel stade du processus d'entraînement.
La page Entraîner à l'aide de la recherche (Discover) décrit comment utiliser l'action
search
avec précaution. Évitez de trop l'utiliser, car il peut fausser votre modèle.
Recherchez des termes ou des phrases dans Explorer ( Explore ) de la même manière que dans Découvrir(Discover).
Différences clés entre l'utilisation de Search
dans Parcourir (Explore) et Découvrir (Discover) :
- Dans Explorer ( Explore ), vous devez examiner et labelliser les résultats de recherche individuellement, plutôt que de façon groupée comme dans Découvrir ( Discover).
- Explorer ( Explore) fournit une description approximative utile du nombre de messages qui correspondent à vos termes de recherche. Consultez l'exemple ci-dessous pour la recherche de type "annulation".
Recherchez des termes ou expressions pertinents et vérifiez le nombre de correspondances approximatives dans l'ensemble de données. Utilisez cette fonction pour estimer si vous avez suffisamment d'exemples pour une étiquette spécifique.
Saisissez vos termes de recherche dans le champ de recherche, en haut à droite de la page :
Exemple de requête de recherche dans Parcourir
Pour utiliser
Search
dans l'onglet Entraîner (Train), comme une autre étape à partir de la phase Explorer (Explore) de l'entraînement :
- Cliquez sur la recommandation de recherche générique dans Entraîner :
- Sélectionnez le libellé dans la liste de recherche :
- Examinez les suggestions de recherche de libellés fournies par LLM.
- Ajoutez le terme de recherche et prévisualisez les résultats (y compris le nombre de correspondances approximatives) :
Remarque : le lot a six résultats par page, avec une expérience de labellisation typique de type Découvrir (en masse + individuelle).
- Après avoir labellisé des messages sur la page, cliquez sur Terminé ( Done).
- un résumé des actions et options d'entraînement vers
close
ou search for examples for a different label
, si le libellé ne répond plus aux critères de recherche.