- Introdução
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- 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
- Gerenciar 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 upload de .CSV
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, entidades 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
- Práticas recomendadas de treinamento e rotulagem de modelos
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução a "Refinar"
- 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 "Missed label"
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Como melhorar o balanceamento e usar o 'Rebalance'
- Quando parar de treinar seu modelo
- Definição e configuração de suas entidades
- Noções Básicas sobre Entidades
- Quais entidades pré-treinadas estão disponíveis?
- Habilitar, desabilitar, atualizar e criar entidades
- Filtragem de entidades
- Revisar e aplicar entidades
- Validação para entidades
- Melhoria do desempenho de entidade
- Como criar entidades regex personalizadas
- Uso de Análise e Monitoramento
- Automations e Communications Mining
- Perguntas frequentes e mais
Melhoria do desempenho de entidade
Permissões de usuário necessárias: "Revisar e rotular".
Assim como os rótulos de treinamento, o treinamento de entidades é o processo pelo qual um usuário ensina a plataforma quais entidades se aplicam a uma determinada mensagem usando vários modos de treinamento.
Assim como os rótulos, os modos “ Ensinar ”, “ Verificar ” e “ Perdidos ” estão disponíveis para ajudar a treinar e melhorar o desempenho de entidades e podem ser acessados 1) na página Explorar usando o menu suspenso de treinamento, ou 2) seguindo as ações recomendadas na guia Entidade da página Validação.
Se uma entidade específica tiver um aviso de desempenho, a plataforma recomenda a próxima melhor ação que pode ajudar a lidar com esse aviso, listada em ordem de prioridade. Isso será exibido quando você selecionar uma entidade específica da taxonomia ou do gráfico "Todas as entidades".
As próximas melhores sugestões de ações funcionam como links nos quais você pode clicar para levar você diretamente para a exibição de treinamento que a plataforma sugere para melhorar o desempenho da entidade. As sugestões são ordenadas de forma inteligente com a ação de maior prioridade para melhorar a entidade listada primeiro.
Esta é a ferramenta mais importante para ajudar você a entender o desempenho de suas entidades e deve ser usada regularmente como um guia ao tentar melhorar o desempenho de entidades.
A tabela a seguir resume quando a plataforma recomenda cada modo de treinamento de entidade:
Ensinar Entidade | Verificar Entidade | Entidade Perdida |
- Mostrar previsões para um rótulo em que o modelo fica mais confuso se ele se aplica ou não - Para entidades de treinamento em mensagens não revisadas |
- Mostra mensagens em que a plataforma acha que a entidade pode ter sido aplicada incorretamente - Para entidades de treinamento em mensagens revisadas, para tentar encontrar e corrigir quaisquer inconsistências |
- Mostra mensagens que a plataforma acha que podem estar faltando na entidade selecionada - Para entidades de treinamento em mensagens revisadas, para tentar encontrar e corrigir quaisquer inconsistências |
O uso de Ensinar entidade aumenta o desempenho da entidade, porque o modelo está recebendo novas informações em mensagens sobre as quais não tem certeza, em oposição àquelas para as quais já possui previsões altamente confiáveis.
A plataforma recomenda o uso de "Ensinar entidade" quando:
- Há um aviso de desempenho ao lado de uma entidade (conforme visto abaixo – quando o mín. 25 exemplos não foi fornecida)
- A pontuação F1 em uma determinada entidade é baixa
- Pode não haver sempre um contexto óbvio no texto de uma entidade, ou há muitas variações nos valores da entidade de um determinado tipo
Usar entidade de verificação ajuda a identificar inconsistências no conjunto revisado, enquanto melhora a compreensão do modelo da entidade, garantindo que o modelo tenha exemplos corretos e consistentes para fazer previsões. Isso melhorará o recall de uma entidade.
A plataforma recomenda "Verificar Entidade" quando:
- Há baixo recall, mas alta precisão
- As previsões que a plataforma faz são muito precisas, mas na maior parte do tempo em que a entidade é aplicada, ela não captura esses exemplos
(Para obter mais detalhes sobre cálculos para validação de entidade, consulte aqui)
Usar entidade ausente ajuda a localizar exemplos no conjunto revisado que deveria ter a entidade selecionada, mas não tem. Isso também ajudará a identificar mensagens parcialmente rotuladas, que podem afetar a capacidade do modelo de prever uma entidade. Isso melhorará a precisão de uma entidade e garantirá que o modelo tenha exemplos corretos e consistentes para fazer previsões.
A plataforma recomenda "EntidadePerdida" quando:
- Há um alto recall, mas uma baixa precisão
- Prevemos entidades incorretamente, mas quando as prevemos corretamente, capturamos muitos dos exemplos que deveriam estar lá
(Para obter mais detalhes sobre cálculos para validação de entidade, consulte aqui)