Raisons de la faible précision moyenne des libellés

Cette section détaille certaines des principales raisons pour lesquelles un libellé peut avoir une précision moyenne faible, 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 à l'aide des méthodes décrites dans la phase d'exploration , notamment Mélanger et «Apprentissage 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 Vérifier le libellé et Entraînement de libellé Manqué pour parcourir les messages examinés du libellé et voir où un libellé a été appliqué de manière incorrecte ou s'il est omis.
• Les utilisateurs peuvent ensuite corriger les erreurs et mettre à jour les libellés pour assurer la cohérence.
• À l'avenir, s'il y a plusieurs utilisateurs qui 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 libellé.

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.