- 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
- 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
- Supprimer une source
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement du fichier .CSV
- 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)
- Comprendre le statut de votre jeu de données
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- 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
Comprendre le statut de votre jeu de données
Chaque fois que vous appliquez des libellés ou que vous examinez des champs généraux dans votre ensemble de données, votre modèle se réentraîne et une nouvelle version de modèle est créée. Pour en savoir plus sur l'utilisation des différentes versions de modèle, consultez ici.
Lorsque le modèle se réentraîne, il prend les dernières informations qui lui ont été fournies et recalcule toutes ses prédictions dans l'ensemble de données. Ce processus commence lorsque vous commencez l'entraînement et souvent lorsque Communications Mining termine d'appliquer les prédictions pour une version de modèle, il recalcule déjà les prédictions pour une version de modèle plus récente. Lorsque vous arrêtez l'entraînement après une période de temps, Communications Mining se saisit et appliquera les prédictions qui reflètent le dernier entraînement effectué dans l'ensemble de données.
Ce processus peut prendre un certain temps, en fonction de la quantité d'entraînement terminée, de la taille de l'ensemble de données et du nombre de libellés dans la taxonomie. Communications Mining dispose d'une fonctionnalité de statut utile pour aider les utilisateurs à comprendre quand leur modèle est à jour ou s'il est en cours de réentraînement et combien de temps cela devrait prendre.
Lorsque vous êtes dans un ensemble de données, l'une de ces deux icônes en haut de la page indiquera son statut actuel :
Cette icône indique que l'ensemble de données est à jour et que les prédictions de la dernière version du modèle ont été appliquées. | |
Cela indique que le modèle est en cours de réentraînement et que les prédictions peuvent ne pas être à jour. |
Si vous pointez sur l'icône avec votre souris, vous verrez plus de détails sur le statut comme indiqué ci-dessous :