- 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
Comprendre les entités
Que sont les entités ?
Les entités sont des éléments supplémentaires des données structurées qui peuvent être extraits des messages de votre jeu de données. Les entités comprennent les points de données tels que les quantités monétaires, les dates, les codes de devise, les adresses e-mail, les URL, ainsi que de nombreuses autres catégories spécifiques à l'industrie (voir ci-dessous pour un exemple).
Contrairement aux libellés, la plate-forme est capable de prédire la plupart des entités (à l'exception de celles entraînées à partir de zéro) dès qu'elles sont activées, car elle peut les identifier en fonction de leur format typique ou, dans certains cas, très spécifique, et d'un ensemble d'apprentissage d'entités similaires .
Comme les libellés, les utilisateurs sont en mesure d’accepter ou de rejeter les entités correctement ou incorrectement prédites, améliorant ainsi la capacité du modèle à les identifier ultérieurement.
Types d'entités
Il existe actuellement deux principaux types d'entités :
- Entités pré-entraînées qui sont généralement basées sur un ensemble de règles standard ou définies sur mesure (par ex. Quantité monétaire, URL et date
- Entités entraînées à partir de zéro par un utilisateur (comme elles entraîneraient des libellés) basées sur l’apprentissage automatique
Entités pouvant être entraînées ou non entraînées
Toutes les entités sont soit « entraînables » par nature (entités entraînées à partir de zéro), soit « entraînables » lorsqu'elles sont activées (tous les autres types d'entités).
Les entités « entraînables » sont celles qui seront mises à jour en direct dans la plate-forme en fonction de la formation fournie par les utilisateurs. Pour plus de détails sur les entités d'entraînement, voir ici.
Si vous activez l'entraînement sur une entité pré-entraînée qui est généralement basée sur un ensemble de règles standard ou personnalisées, vous pouvez affiner la compréhension de la plate-forme de cette entité selon les paramètres de ces règles. Essentiellement, une formation complémentaire sur ces éléments réduira l’étendue de ce que la plate-forme peut considérer comme cette entité, mais ne l’augmentera pas.
En effet, beaucoup de ces entités, comme les dates (par ex. pour « demain ») et des quantités monétaires (par ex. 20 inclus, doivent être normalisés dans un format de données structuré pour les systèmes en aval. De plus, pour les entités telles que les IINS ou les CUSIPs, ceux-ci doivent avoir un format défini, de sorte que la plate-forme ne doit pas être entraînée à prédire tout ce qui n'est pas conforme à leurs formats définis.
Lorsque des entités pouvant être entraînées sont attribuées, la plate-forme examine à la fois le texte de l'entité, ainsi que le contexte de l'entité dans le reste de la communication, c'est-à-dire ce qui se passe avant et après la valeur de l'entité (dans le même paragraphe, et celle du haut et du bas). Il apprend à mieux prédire l'entité en fonction des valeurs elles-mêmes, ainsi que la façon dont la valeur apparaît dans le contexte de la communication.
Si une entité pré-entraînée n'est pas définie comme pouvant être entraînée (voir le détail sur l'activation d'entités sur un ensemble de données ici), les utilisateurs peuvent toujours accepter ou rejeter les prédictions d'entité qu'ils voient dans leur ensemble de données. Celles-ci sont mises à jour et affinées hors ligne à l'aide de ces commentaires fournis par les utilisateurs. Il est donc toujours utile pour les utilisateurs d'accepter ou de rejeter ces entités lors de la révision des messages.