- Introdução
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- Campos gerais (anteriormente entidades)
- Rótulos (previsões, níveis de confiança, hierarquia etc.)
- Modelos
- Transmissões
- Classificação do Modelo
- Projetos
- Precisão
- Lembrar
- Mensagens revisadas e não revisadas
- Fontes
- Taxonomias
- Treinamento
- Previsões positivos e negativos verdadeiros e falsos
- Validação
- Mensagens
- Administração
- Gerencie origens e conjuntos de dados
- Entender a estrutura de dados e permissões
- Crie uma origem de dados na GUI
- Carregar um arquivo CSV para uma origem
- Criar um conjunto de dados
- Origens e conjuntos de dados multilíngues
- Habilitando o sentimento em um conjunto de dados
- Corrigir configurações de conjunto de dados
- Excluir mensagens por meio da interface do usuário
- Excluir um conjunto de dados
- Exportar um conjunto de dados
- Usando integrações do Exchange
- Preparando dados para carregamento de .CSV
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, campos gerais e metadados
- Hierarquia de rótulo e práticas recomendadas
- Definição dos seus objetivos de taxonomia
- Casos de uso de análise versus automação
- Transformando seus objetivos em rótulos
- Criação da sua estrutura taxonômica
- Práticas recomendadas de design de taxonomia
- Importando sua taxonomia
- Visão geral do processo de treinamento do modelo
- Anotação Generativa (Novo)
- Entendendo o status do seu conjunto de dados
- Treinamento de modelos e práticas recomendadas de anotação
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução ao Refine
- Precisão e recall explicados
- Precisão e recall
- Como funciona a Validação?
- Compreender e melhorar o desempenho do modelo
- Por que um rótulo pode ter uma precisão média baixa?
- Treinamento usando Check label e Perda de rótulo
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Melhorando o balanceamento e usando o Rebalanceamento
- Quando parar de treinar seu modelo
- Fixação e marcação com tags de uma versão de modelo
- Excluindo um modelo fixado
- Adição de novos rótulos às taxonomias existentes
- Manutenção de um modelo em produção
- Reverter modelo
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Informações de licenciamento
- Perguntas frequentes e mais
Adição de novos rótulos às taxonomias existentes
Permissões de usuário necessárias: "Exibir Origens" E "Revisar e anotar".
Se você tiver uma taxonomia madura pré-existente, com muitas mensagens revisadas, a adição de um novo rótulo requer algum treinamento adicional para alinhá-la com o restante dos rótulos na taxonomia.
Ao adicionar um novo rótulo a uma taxonomia bem treinada, você precisa certifique-se de aplicá-lo a mensagens revisadas anteriormente se o rótulo for relevante para elas.
Caso contrário, o modelo terá sido efetivamente ensinado que o novo rótulo não deve se aplicar a ele e terá dificuldade em prever o novo rótulo com confiança.
Quanto mais exemplos revisados houver no conjunto de dados, mais treinamento será necessário ao adicionar um novo rótulo (a menos que seja um conceito totalmente novo que você não encontrará em dados mais antigos, mas encontrará em dados muito mais recentes).
Principais etapas:
Crie o novo rótulo quando encontrar um exemplo em que ele deve ser aplicado
Encontre outros exemplos onde ela deve ser aplicada usando alguns métodos diferentes:
- Você pode pesquisar termos ou frases-chave usando a função de pesquisa no Descubra para encontrar instâncias semelhantes - dessa forma, você aplica o rótulo em massa se houver muitos exemplos semelhantes nos resultados da pesquisa
- Ou você pode pesquisar termos ou frases-chave no Explorar - esse é potencialmente um método melhor, pois você pode filtrar para mensagens "Revisadas", e pesquisar no Explorar retorna uma contagem aproximada do número de mensagens que correspondem aos termos da sua pesquisa
- Também é possível selecionar rótulos que podem aparecer com frequência ao lado do novo rótulo e revisar os exemplos fixados para esse rótulo para encontrar exemplos de onde o novo rótulo deve ser aplicado
- Depois de fixar alguns exemplos, veja se começa a ser previsto no modo "Rótulo ". Se sim, adicione mais exemplos usando esse modo.
- Por fim, se você estiver anotando em um conjunto de dados habilitado para sentimento e seu novo rótulo for normalmente positivo ou negativo, você também poderá escolher entre sentimento positivo e negativo ao procurar exemplos revisados (apesar de no momento não ser possível combinar "pesquisa de texto" com a de filtro ‘revisado’ E um filtro de sentimento)
Em seguida, use"Rótulo ausente" para encontrar mais mensagens em que a plataforma acha que o novo rótulo deveria ter sido aplicado:
- Após você ter anotado alguns exemplos usando os métodos acima e o modelo tiver tido tempo para treinar novamente, use a funcionalidade “Rótulo ausente” no Explorar para selecionar seu rótulo e, em seguida, selecione “Rótulo ausente” no menu suspenso.
- Isso mostrará as mensagens revisadas em que o modelo acha que o rótulo de seleção pode ter sido ignorado nos exemplos revisados anteriormente
- Nesses casos, o modelo mostrará o rótulo como uma sugestão (conforme mostrado no exemplo abaixo)
- Aplique o rótulo a todas as mensagens às quais o modelo corretamente considera que o rótulo deveria ter sido aplicado
- Continue o treinamento nesta página até que você tenha anotado todos os exemplos corretos. Este modo não mostrará mais exemplos em que o rótulo deve ser aplicado.
Em seguida, verifique o desempenho do novo rótulo na página Validação (depois que o modelo tiver tempo para treinar novamente e calcular as novas estatísticas de validação) e veja se é necessário mais treinamento.