- 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
Pourquoi un libellé peut-il avoir une précision moyenne faible ?
Vous trouverez ci-dessous quelques-unes des principales raisons pour lesquelles une étiquette peut avoir une faible précision moyenne, ainsi qu'une solution suggérée pour l'améliorer :
1. La taille de l'ensemble d'entraînement est peut-être trop petite
- Si la taille de l'ensemble d'entraînement est assez petite, il vous suffit peut-être de fournir plus d'exemples d'entraînement pour le modèle
- Continuez à entraîner le libellé en utilisant les méthodes décrites dans la phase Explorer (Explore), en particulier «Mandat » et «Ensemble du libellé ».
2. Le libellé peut avoir été appliqué de manière incohérente ou incorrecte à certains des messages
- Il arrive souvent que la définition d'un libellé d'un utilisateur change au fil du temps, et les anciens messages révisés avec ce libellé peuvent nécessiter une révision pour voir si le libellé s'applique toujours
- Alternativement, s’il y a plusieurs utilisateurs qui entraînent un ensemble de données, ils peuvent avoir des interprétations de chaque étiquette et envoyer des messages mixtes au modèle
- Pour déterminer si tel est le cas, les utilisateurs peuvent utiliser les modes d'entraînement «Vérifier le libellé » et «Libellé manquant » pour parcourir les messages révisés du libellé, et voir où un libellé a été appliqué de manière incorrecte ou a été oublié involontairement
- Les utilisateurs peuvent ensuite corriger les erreurs et mettre à jour les libellés pour garantir la cohérence
- À l'avenir, si plusieurs utilisateurs entraînent un ensemble de données, ils doivent s'assurer qu'ils sont entièrement alignés sur la façon dont ils définissent les intentions ou les concepts couverts par chaque étiquette
3. L'intention ou le concept que le libellé est destiné à capturer peut être imprévisible ou très étendu et difficile à distinguer des autres libellés
- Si une étiquette est utilisée pour capturer une intention ou un concept très large ou imprévisible, il peut être difficile pour le modèle d'identifier les raisons pour lesquelles cette étiquette doit s'appliquer à un message. Il peut alors essayer de l'appliquer à beaucoup trop de messages
- Essayez de ne pas être trop générique lors de la création d'un libellé ; elle doit être identifiable et distincte des autres libellés
4. Alternativement, l’intention ou le concept peut être très spécifique ou avoir trop de couches dans sa hiérarchie
- Essayer d'être trop spécifique ou d'ajouter de nombreuses couches à la hiérarchie d'un libellé peut rendre trop difficile la détection par le modèle ou la distinguer des couches précédentes
- Le niveau de spécificité d'un libellé doit correspondre au contenu des messages. S'il est trop spécifique pour se distinguer de manière réaliste d'autres libellés similaires dans la hiérarchie, le modèle peut se tromper
- Dans la plupart des cas, il est recommandé d'avoir trois couches ou moins dans la hiérarchie d'un libellé – c'est-à-dire [Libellé racine] > [Libellé de connexion] > [Libellé de feuille]
5. Il peut y avoir plusieurs libellés dans la taxonomie qui se chevauchent fortement, et le modèle a du mal à faire la distinction entre les deux
- Si vous avez deux libellés très similaires et difficiles à distinguer l'un de l'autre, il peut confondre le modèle, car il ne saura pas lequel des deux libellés s'applique
- Dans ces cas, envisagez de fusionner les libellés
- Vous pouvez également parcourir les messages examinés pour chacun et vous assurer que les concepts sont appliqués de manière cohérente et sont distincts les uns des autres
6. Les messages auxquels cette étiquette est appliquée peuvent pour la plupart être très similaires ou identiques, et le modèle a du mal à détecter différentes manières d'exprimer la même intention ou concept
- Vous devez vous assurer que pour chaque étiquette, vous fournissez au modèle plusieurs exemples d'entraînement qui incluent différentes manières d'exprimer l'intention ou le concept que l'étiquette est destinée à capturer
7. L'intention ou le concept capturé par cette étiquette n'est pas sémantiquement inférable à partir du texte du message ou il prend en charge les métadonnées
- Il est courant que les utilisateurs annotent un message en fonction de leurs propres connaissances professionnelles du contexte ou du processus qui suivraient, et non selon le texte ou les métadonnées du message
- Par exemple, un utilisateur de SME peut savoir que parce que la communication provient d'un individu donné, elle doit porter sur un certain sujet, même si rien d'autre dans le texte ou les métadonnées n'indique clairement que le libellé doit s'appliquer
- Dans ce cas, les utilisateurs ne doivent appliquer le libellé que si le modèle serait capable de le détecter à partir du texte ou des métadonnées, sans cette connaissance interne.