- 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
Anotação Generativa (Novo)
A Anotação generativa usa o endpoint do Azure OpenAI da Microsoft para gerar rótulos sugeridos de IA para acelerar o projeto da taxonomia e as fases iniciais do treinamento do modelo; e reduza o tempo para agregação de valor para todos os casos de uso do Communications Mining.
Ela inclui:
- Sugestões de cluster: sugestões de rótulos novos ou existentes para clusters com base no(s) tema(s) identificado(s)
- Anotação assistida: previsões automáticas para rótulos com base nos nomes ou descrições de rótulos.
As funcionalidades de Anotação generativa serão habilitadas automaticamente nos conjuntos de dados – Você não precisa fazer nada para começar a usá-las.
Depois que um conjunto de dados é criado, as sugestões de cluster são geradas automaticamente em um curto período de tempo. Se uma taxonomia tiver sido carregada (altamente recomendado), o Communications Mining sugerirá rótulos existentes e novos para clusters.
Quando uma taxonomia é carregada em um conjunto de dados, isso também dispara automaticamente um modelo inicial para ser treinado sem dados de treinamento, apenas usando nomes e descrições de rótulos. Isso pode levar alguns minutos a partir do momento em que você carrega a taxonomia.
- Para sugestões de clusters: acesse a guia Treinar e selecione um lote de clusters ou acesse a guia Descobrir e selecione o modo Cluster para começar a anotar.
- Para anotação assistida: acesse a guia Treinar e siga as ações recomendadas, ou acesse a guia Explorar e selecione o modo Aleatório ou Ensinar Rótulo para começar a anotar.
Pré -requisito: permissão "Revisar e anotar" /
Sugestões de cluster aparecerão na parte superior de cada página de cluster (sombra branca com borda azul). Pode ser um ou vários rótulos sugeridos para cada cluster.
Se a análise de sentimento do rótulo estiver habilitada, as sugestões de cluster terão um sentimento positivo ou negativo (sombra branca com borda verde ou vermelha).
É possível saber que se trata de um rótulo sugerido por IA pelo ícone de faiscamento vermelho ao lado do nome do rótulo.
Os treinadores de modelos devem revisar cada Sugestão de Cluster e:
- Aceite-o clicando nele ou
- Atribua um novo rótulo se não concordar com a sugestão dada.
As sugestões de cluster podem acelerar significativamente a primeira fase do processo de treinamento do modelo, gerando automaticamente rótulos sugeridos para cada cluster.
Isso também pode ajudar com o design da taxonomia, se os usuários estiverem com dificuldades para definir os conceitos que desejam treinar.
As sugestões de cluster são geradas com base no tema identificado e compartilhado entre as mensagens dentro de um cluster.
A criação de clusters e a geração de sugestões de rótulos é um processo automático, completamente não supervisionado e sem necessidade de intervenção humana.
As sugestões de rótulos em clusters serão geradas com ou sem uma taxonomia pré-definida, mas as sugestões serão influenciadas e normalmente se tornam mais úteis aproveitando rótulos importados/existentes.
Pré-requisito 1: permissão para “Revisar e anotar ”.
Pré-requisito 2: lista importada de nomes de rótulos.
Opcional, mas altamente recomendado: lista importada de descrições de rótulos.
Após o modelo inicial ter treinado automaticamente usando nomes de rótulos e descrições como entrada de treinamento, as previsões serão exibidas para muitas das mensagens no conjunto de dados.
Essas previsões funcionam exatamente da mesma maneira que antes - elas apenas são geradas sem dados de treinamento.
Se a análise de sentimento do rótulo estiver habilitada, as previsões iniciais terão um sentimento positivo ou negativo (diferentes tons de verde /vermelho com base no nível de confiança).
A Anotação Assistida funciona em qualquer lote ou modo de treinamento, mas é mais eficaz para usar em "Aleatório" e "Ensinar Rótulo" (siga as etapas de anotação regulares em cada lote de treinamento em Treinar ou Explorar).
A Anotação Assistida pode acelerar significativamente a segunda fase do processo de treinamento do modelo, gerando automaticamente previsões para cada rótulo com contexto suficiente, sem a necessidade de exemplos de treinamento.
As previsões iniciais serão orientadas pela qualidade dos nomes de rótulos e descrições de linguagem natural (ou seja, nomes vagas podem levar a previsões vagas ou mínimas). Descrições detalhadas de rótulos podem aumentar o desempenho do modelo inicial.
À medida que você treina seu conjunto de dados mais, a plataforma usará os nomes e as descrições dos rótulos e seus exemplos fixados para gerar previsões de rótulos relevantes.
Eles continuarão melhorando com mais treinamento e, por fim, contarão apenas com exemplos de treinamento anotados quando o suficiente tiver sido fornecido.
A Anotação Assistida ainda requer aprendizado supervisionado aceitando/rejeitando as previsões, mas acelera a parte mais demorada do treinamento do modelo, fornecendo previsões melhores com zero ou muito poucos exemplos fixados.