- 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 libellés, les entités et les métadonnées
Avant de concevoir votre taxonomie, il est important de savoir ce qui doit être capturé par les libellés, les entités et les métadonnées pour atteindre vos objectifs. Il devrait y avoir des chevauchements minimaux car ils se complètent tous.
Libellés :
- Concepts, thèmes et intentions
- Ex : « Demande de changement d’adresse », « Urgent », « Demande de mise à jour du statut », etc.
- Ne doit pas être utilisé pour capturer des informations présentes dans les métadonnées
Entités :
- Points de données structurés extraits du texte
- Ex : Numéros de police, identifiants commerciaux, URL, dates, quantités monétaires, etc.
Métadonnées :
- Informations structurées supplémentaires associées à chaque message
- Les propriétés des métadonnées peuvent être des propriétés de l’utilisateur (définies et ajoutées avant le téléchargement, par ex. score NPS), les propriétés des e-mails (captées à partir des e-mails, par ex. expéditeur, destinataires, domaines, etc.), et les propriétés des fils de discussion (automatiquement dérivées par la plate-forme pour les données threadées comme les e-mails et les chat, par ex. Nombre de messages dans le fil de discussion, durée du fil de discussion, etc.)
Voici quelques-unes des distinctions et similarités clésentre les libellés et les entités. Les deux sont généralement utilisés en combinaison dans le cadre de l'automatisation, mais individuellement, ils servent à des fins différentes :
La plateforme effectue des prédictions de libellé basées sur le texte du message (pour les e-mails, cela signifie que l'objet et le corps de l'e-mail), ainsi que certaines propriétés de métadonnées. Pour les entités, il apprend à partir de la plage de texte attribuée et du contexte du texte qui l' entoure .
Vous trouverez ci-dessous un exemple de message qui montre à quel point les libellés, les entités et les métadonnées sont distincts, mais complémentaires les uns aux autres. Pour que cette requête entrante soit automatisée, chacune d'entre elles peut être requise à des fins spécifiques :
