Ajout de nouveaux libellés aux taxonomies existantes

Remarque : vous devez avoir attribué les autorisations Source - Lecture et Ensemble de données - Révision en tant qu'utilisateur d'Automation Cloud, ou les autorisations Afficher les sources et Réviser et annoter en tant qu'utilisateur hérité.

Vue d'ensemble (Overview)

Si vous avez une taxonomie mature préexistante avec de nombreux messages révisés, l'ajout d'un nouveau libellé nécessite un entraînement supplémentaire pour l'aligner sur le reste des libellés de la taxonomie.

Lorsque vous ajoutez un nouveau libellé à une taxonomie bien entraînée, assurez-vous de l'appliquer aux messages précédemment examinés si le libellé est pertinent pour eux. Sinon, le modèle aura efficacement appris que le nouveau libellé ne doit pas s'appliquer à lui et aura des difficultés à prévoir le nouveau libellé de façon fiable.

Plus il y aura d'exemples examinés dans l'ensemble de données, plus cela nécessitera un entraînement lors de l'ajout d'un nouveau libellé. C'est à moins qu'il ne s'agisse d'un tout nouveau concept que vous ne trouverez pas dans les anciennes données, mais que vous le trouverez dans des données beaucoup plus récentes.

Étapes

1. Créez le nouveau libellé lorsque vous trouvez un exemple où il doit s'appliquer.

2. Sélectionnez Libellé manquant pour trouver d’autres messages pour lesquels la plate-forme détermine si le nouveau libellé doit être appliqué. Pour plus de détails, consultez la section Rechercher des messages avec un libellé Manquant.

   
   

   

   
   
3. Une fois que le modèle a eu le temps de s'entraîner et de calculer les nouvelles statistiques de validation, vérifiez les performances du nouveau libellé sur la page Validation .
4. Vérifiez si une formation supplémentaire est nécessaire.

Trouver des exemples où un libellé pourrait s'appliquer

1. Recherchez des termes ou des phrases clés à l'aide de la fonction de recherche dans Découvrir pour trouver des instances similaires. De cette façon, vous appliquez le libellé de façon groupée s'il existe de nombreux exemples similaires dans les résultats de la recherche.
2. Alternativement à la première étape, recherchez des termes ou des phrases clés dans Explorer. C'est potentiellement une meilleure méthode, car vous pouvez filtrer vers Messages examinés , et la recherche dans Explorer renvoie un nombre approximatif du nombre de messages qui correspondent à vos termes de recherche.
3. Sélectionnez les libellés qui, selon vous, pourraient souvent apparaître à côté de votre nouveau libellé, et passez en revue les exemples épinglés pour ce libellé afin de trouver des exemples où votre nouveau libellé doit être appliqué.
4. Une fois que vous avez quelques exemples épinglés, vérifiez s'il commence à être prédit en mode Libellé . Si c'est le cas, ajoutez plus d'exemples en utilisant ce mode.
5. Si vous annotez dans un ensemble de données activé par les sentiments et que votre nouveau libellé est positif ou négatif, vous pouvez également choisir entre un sentiment positif et négatif lors de la vérification des exemples examinés. Cependant, vous ne pouvez pas combiner la recherche de texte avec le filtre Révisé et Sentiment .

Recherche de messages avec un libellé Manqué

1. Une fois que vous avez annoté de nombreux exemples à l’aide des méthodes précédentes et que le modèle a eu le temps de se réentraîner, utilisez la fonctionnalité Libellé manquant dans Explore en sélectionnant votre libellé, puis sélectionnez Libellé manquant dans le menu déroulant.
2. Cela vous montrera les messages examinés pour lesquels le modèle détermine que le libellé sélectionné peut avoir été omis dans les exemples examinés précédemment.
3. Dans ces instances, le modèle affichera le libellé comme une suggestion, comme illustré dans l'exemple de l'image.
4. Appliquez le libellé à tous les messages auxquels le modèle suppose correctement que le libellé aurait dû être appliqué.
5. Continuez à vous entraîner sur cette page jusqu’à ce que vous ayez annoté tous les exemples corrects, et ce mode ne vous montre plus les exemples où le libellé devrait réellement s’appliquer.