- 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
- Excluir uma origem
- 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)
- Status do 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
Definição dos seus objetivos de taxonomia
Antes de começar o treinamento do seu modelo, é importante entender como abordar sua taxonomia, incluindo a criação de seus rótulos e o que eles devem capturar. Você também deve definir os principais pontos de dados (ou seja, campos gerais) que você deseja treinar se planeja explorar e implementar automações.
Uma taxonomia é uma coleção de todos os rótulos aplicados às mensagens em um conjunto de dados, estruturados de maneira hierárquica. Ela também pode se referir a e incluir os tipos de campos gerais habilitados em um conjunto de dados, embora eles estejam organizados em uma hierarquia simples. Esta seção se refere a taxonomias de rótulos.
Um caso de uso bem-sucedido é orientado principalmente por ter um conjunto de objetivos claramente definidos. Os objetivos não apenas garantem que todos estejam trabalhando em direção a um objetivo comum, mas também ajudam a decidir sobre o tipo de modelo que você deseja construir e dar forma à estrutura de sua taxonomia. Por fim, seus objetivos ditarão os conceitos que você treina a plataforma para prever.
As taxonomias podem ser direcionadas para cumprir os objetivos de automação, análise ou ambos. Ao projetar sua taxonomia, você precisa se fazer as seguintes perguntas:
- Para gerar as automações ou insights necessários, quais intenções ou conceitos preciso reconhecer nos dados?
- Todos esses conceitos podem ser reconhecidos apenas pelo texto da mensagem?
- Certos conceitos precisam ser estruturados de uma determinada maneira para facilitar ações específicas?
Ao todo, com treinamento suficiente, seus rótulos devem criar uma representação precisa e equilibrada do conjunto de dados, dentro do contexto de seus objetivos (por exemplo, abrangendo todos os tipos de solicitação que serão encaminhadas automaticamente para baixo).
Você pode não ser capaz de atender a todos os seus objetivos com uma única taxonomia em um conjunto de dados. Se você quiser obter análises amplas e detalhadas para um canal de comunicação, mas também automatizar um determinado número de tipos de solicitações de entrada em filas de fluxos de trabalho, você pode precisar de mais de um conjunto de dados para facilitar isso.
Geralmente, é melhor não tentar realizar absolutamente tudo de uma vez dentro de uma crescente taxonomia multiuso, pois isso pode se tornar muito difícil para treinar e manter um alto desempenho. É mais fácil começar com uma taxonomia para um propósito específico, por exemplo, analisando dados de feedback do cliente no aplicativo para solicitações de recursos de produtos e bugs, ou monitorando a qualidade do serviço ao cliente em uma caixa de entrada da equipe de operações.
Um detalhamento dos diferentes tipos de objetivos será abordado no próximo artigo sobre análise versus casos de uso focados na automação.