Modèles

Un modèle d'apprentissage automatique (ML) est essentiellement une représentation mathématique d'un processus réel. Pour créer des modèles ML, vous devez fournir aux algorithmes ML des données d'entraînement à partir desquelles ils pourront apprendre.

La plateforme utilise un certain nombre de modèles ML, supervisés et non supervisés, afin d'interpréter, de comprendre et d'appliquer des libellés à vos données. Nous utilisons souvent le terme « modèle » pour désigner collectivement ces modèles qui travaillent en arrière-plan.

Chaque ensemble de données est associé à un modèle qui est entraîné lorsque vous examinez des messages au sein de la plateforme. Au fur et à mesure que le modèle s'entraîne, il apprend et s'améliore, ce qui lui permet de faire de meilleures prédictions pour les libellés et les champs généraux.

Vous pouvez enregistrer et versionner les modèles. Cela signifie que lorsque vous configurez un flux d'automatisation , vous pouvez sélectionner une version spécifique du modèle et être sûr des performances de cette version pour le libellé en question. Cela vous donne du déterminisme lorsqu'il s'agit de créer des automatisations ou d'utiliser les données à des fins d'analyse dans des applications en aval. Pour plus de détails, consultez Modèles.