Réglage

AI Center includes the capability of fine-tuning ML models using data that has been validated by a human using Validation Station.

Étant donné que votre workflow RPA traite les documents à l'aide d'un modèle ML existant, certains documents peuvent nécessiter une validation humaine à l'aide de l'activité Présenter la station de validation (Present Validation Station) (disponible sur les robots surveillés ou dans le navigateur à l'aide d'Action Center Orchestrator).

The validated data generated in Validation Station can be exported using Machine Learning Extractor Trainer activity, and can be used to fine-tune ML models in AI Center.

Nous ne recommandons pas d'entraîner des modèles ML à partir de zéro (c'est-à-dire en utilisant le paquet ML DocumentUnderstanding) en utilisant les données de la Station de validation, mais uniquement d'améliorer les modèles ML existants (y compris les modèles prêts à l'emploi).

For the detailed steps involved in fine-tuning an ML model see the Import Documents section of the Data Manager documentation.

For more details about how to build a dataset for fine-tuning, go here.

Important :

It if often wrongly assumed that the way to use Validation Station data is to iteratively retrain the previous model version, so the current batch is used to train package X.1 to obtain X.2. Then the next batch trains on X.2 to obtain X.3 and so on. This is the wrong way to use the product. Each Validation Station batch needs to be imported into the same Data Manager session as the original manually labeled data making a larger dataset, which must be used to train always on the X.0 ML Package version.