Annotation générative

L’ annotation générative utilise le point de terminaison Microsoft Azure OpenAI pour générer des libellés suggérés par l’IA afin d’accélérer la conception de la taxonomie et les premières phases de l’entraînement du modèle, ainsi que réduire le délai de rentabilisation dans tous les cas d’utilisation de Communications Mining™.

L’annotation générative comprend :

1. Suggestions de cluster : libellés nouveaux ou existants suggérés pour les clusters en fonction de leurs thèmes identifiés.
2. Annotation assistée : prédictions automatiques pour les libellés en fonction des noms de libellé ou des descriptions.

Utilisation de l'annotation générative

Les fonctionnalités d’ annotation générative sont automatiquement activées sur les ensembles de données, aucune autre action n’est requise.

Une fois qu'un ensemble de données est créé, des suggestions de cluster sont automatiquement générées dans un court laps de temps. Si une taxonomie a été téléchargée, ce qui est fortement recommandé, Communications Mining™ suggère à la fois les libellés existants et les nouveaux pour les clusters.

Lorsque vous téléchargez une taxonomie sur un ensemble de données, cela déclenche également automatiquement l’entraînement d’un modèle initial sans données d’entraînement, en utilisant uniquement des noms de libellé et des descriptions. Cette action peut prendre quelques minutes à partir du chargement de la taxonomie.

• Pour les Suggestions de cluster, accédez à l'onglet Entraîner et sélectionnez un lot de clusters. Vous pouvez également accéder à l'onglet Découvrir et sélectionner le mode Cluster pour commencer l'annotation.
• Pour l' annotation assistée, accédez à l'onglet Entraîner et suivez les actions recommandées. Vous pouvez également accéder à l'onglet Explorer et sélectionner le mode Mélanger ou Apprendre au libellé pour commencer l'annotation.

Remarque : ces fonctionnalités ne sont pas disponibles si votre organisation a désactivé les services Azure OpenAI.

Utilisation des suggestions de cluster

Note: You must have assigned the IXP Model Trainer role as an Automation Cloud™ user, or the Review and label permission as a legacy user.

Les suggestions de cluster apparaîtront pour chaque page Cluster . Il peut s'agir d'un ou de plusieurs libellés suggérés pour chaque cluster.

Si vous avez activé l' analyse des sentiments des libellés , les suggestions de cluster auront un sentiment positif ou négatif, qui peut être surligné en vert ou en rouge.

Pour identifier un libellé suggéré par l'IA, consultez l'image suivante :

Les entraîneurs de modèles doivent examiner chaque suggestion de cluster et effectuer l'une des opérations suivantes :

1. Acceptez-le en le sélectionnant.
2. Attribuez un nouveau libellé, s’il n’est pas d’accord avec la suggestion donnée.

Comment les suggestions de cluster prennent en charge l'entraînement des modèles

Les suggestions de cluster peuvent accélérer considérablement la première phase du processus d’entraînement du modèle en générant automatiquement des libellés suggérés pour chaque cluster. Cela peut également être utile pour la conception de la taxonomie si les utilisateurs éprouvent des difficultés à définir les concepts qu'ils souhaitent former.

Des suggestions de cluster sont générées en fonction du thème identifié partagé entre les messages d'un cluster.

La création de clusters et la génération de suggestions de libellés est un processus automatique et entièrement non supervisé sans intervention humaine requise.

Les suggestions de libellés sur les clusters seront générées avec ou sans taxonomie prédéfinie, mais les suggestions seront influencées et généralement plus utiles en tirant parti des libellés importés ou existants.

Utilisation de l’annotation assistée

Prérequis :

• You must have assigned the IXP Model Trainer role as an Automation Cloud™ user, or the Review and label permission as a legacy user.
• Une liste importée de noms de libellés.
• Optionally, an imported list of label descriptions is highly recommended.

Once the initial model has automatically trained using label names and descriptions as its training input, predictions will appear for many of the messages in the dataset.

Ces prédictions fonctionnent exactement de la même manière qu’auparavant, ce qui signifie qu’elles sont simplement générées sans données d’entraînement.

If you have Label sentiment analysis enabled, initial predictions will have either a positive or negative sentiment in different shades of green or red, depending on the confidence level.

Assisted Annotating works in any training batch or mode, but it is most effective to use in Shuffle and Teach Label. You should follow the regular annotating steps in each training batch in the Train or Explore tabs.

Comment les fonctionnalités d’annotation assistées prennent-elles en charge l’entraînement des modèles

L’annotation assistée peut accélérer considérablement la deuxième phase du processus d’entraînement du modèle en générant automatiquement des prédictions pour chaque libellé avec un contexte suffisant, sans aucun exemple d’entraînement requis.

Les prédictions initiales seront déterminées par la qualité des noms de libellés et des descriptions en langage naturel. Par exemple, les noms vagues peuvent conduire à des prédictions vagues ou minimales. Les descriptions détaillées des libellés peuvent améliorer les performances initiales du modèle.

Au fur et à mesure que vous entraînez votre ensemble de données, la plate-forme utilise à la fois les noms et descriptions de libellé et vos exemples épinglés pour générer des prédictions de libellé pertinentes.

Ceux-ci continueront de s'améliorer avec plus d'entraînement et, au final, ne s'appuyeront que sur des exemples d'entraînement annotés une fois que suffisamment d'exemples d'entraînement ont été fournis.

L’annotation assistée nécessite toujours un apprentissage supervisé en acceptant ou en rejetant les prédictions, mais elle accélère la partie la plus chronophage de l’entraînement du modèle en fournissant de meilleures prédictions avec zéro ou très peu d’exemples épinglés.