- 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
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Informações de licenciamento
- Perguntas frequentes e mais
Práticas recomendadas e considerações
O campo geral realçado deve abranger a palavra inteira (ou várias) em questão, não apenas parte dela. Não inclua espaços adicionais no final do campo.
Semelhante aos rótulos, não revise parcialmente seus campos geral e de extração.
- Os campos gerais são revisados no nível do parágrafo, não no nível inteiro da mensagem. Quando você revisar um parágrafo quanto aos campos, revise todos os campos no parágrafo.
Não confirmar um campo em um parágrafo onde você rotulou outros campos diz ao modelo que você não o considera um exemplo verdadeiro do campo previsto. Isso é refletido nas pontuações de validação e no desempenho geral do campo.
- Os campos de extração são revisados no nível da mensagem, não apenas no nível do parágrafo. Ao revisar uma mensagem inteira quanto aos campos, revise todos os campos na mensagem.
Não confirmar um campo em uma mensagem onde você rotulou outros campos informa ao modelo que você não o considera um exemplo verdadeiro do campo previsto. Isso é refletido nas pontuações de validação e no desempenho do campo de extração.
- Os campos globais não podem se sobrepor um ao outro ou a outro exemplo de si mesmo.
- Campos globais e campos de extração podem se sobrepor.
- Você pode usar o mesmo intervalo de texto quantas vezes forem necessárias para diferentes campos de extração.
- Atualmente, não há visualização de normalização de campo geral no Communications Mining. Os campos que devem ser normalizados serão normalizados na resposta downstream. A normalização no Communications Mining estará disponível no modelo no futuro.
- Se um rótulo filho tiver extrações nele, seu pai não herdará os exemplos de extração automaticamente. Para rótulos, seu pai herda automaticamente os exemplos de extração.
- Fornecer exemplos de extração adicionais não melhora o desempenho de um rótulo. Para melhorar o desempenho de um rótulo, concentre-se no treinamento específico para rótulos.
- Melhorar o desempenho do rótulo permite aumentar a probabilidade de você capturar ocorrências onde um rótulo (e, posteriormente, suas extrações) deveriam ter sido previstos.
Para melhorar o desempenho de suas extrações, forneça exemplos validados nas próprias extrações.