- 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
Discover
Permissões de usuário necessárias: "View Sources" E "View Labels".
- Em primeiro lugar, ajuda você a descobrir clusters interessantes de mensagens. Clusters são temas de mensagens que a plataforma identificou como compartilhando intenções ou conceitos semelhantes.
Quando os dados são carregados, a plataforma usa aprendizado não supervisionado (ou seja, lê e interpreta os dados sem qualquer treinamento humano) para descobrir automaticamente esses clusters de mensagens semelhantes e apresentá-los no GUI. Essa funcionalidade torna a descoberta de novas intenções e a aplicação de rótulos mais fácil e rápida, e normalmente é a primeira etapa no processo de treinamento do modelo.
Após uma quantidade significativa de treinamento ser concluída, ou uma quantidade significativa de dados ser adicionada ao conjunto de dados, o Discover treinará novamente e apresentará novos clusters de mensagens não revisadas. Quando o Discover treina novamente, ele leva em consideração a taxonomia existente, para apresentar novos clusters que ainda são interessantes para você.
- Segundo, o Discover permite que os usuários anotem mensagens em massa, bem como individualmente, usando a função 'Cluster' (discutida acima) ou a função 'Search'. Como as mensagens em cada cluster devem conter intenções e conceitos semelhantes, a funcionalidade de anotação em massa é uma ferramenta útil para treinar rapidamente o modelo.
A função de pesquisa permite pesquisar termos ou frases-chave que você sabe que podem ser relevantes para determinados rótulos que você deseja capturar.
Página de descobertas
