- 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
Introdução ao Refine
A terceira fase, e a etapa final do processo de treinamento, é chamada de ' Refinar'. O objetivo desse estágio é entender como seu modelo está funcionando e refina-lo até que funcione conforme necessário. Isso envolve melhorar rótulos específicos que não estão funcionando conforme o esperado, garantindo que você tenha capturado todos os conceitos relevantes de rótulos e certificando-se de que seus dados de treinamento sejam uma representação equilibrada do conjunto de dados como um todo.
A plataforma foi projetada para ser totalmente transparente para os usuários no que diz respeito ao desempenho do modelo e muito flexível quando se trata de melhorar o desempenho em áreas que assim o exigem. Para qualquer caso de uso, você quer ter certeza de que seu modelo captura uma representação precisa do que está em seu conjunto de dados, e essa fase do treinamento ajuda a garantir que você possa isso.
Esta seção da Base de Conhecimento abordará em detalhes as etapas descritas abaixo, mas começará com explicações detalhadas sobre precisão e recall, como a Validação funciona e como entender os diferentes aspectos do desempenho do modelo.
Principais etapas
Revisar Classificação do modelo - esta etapa trata de verificar sua Classificação do modelo na Validação e ver onde a plataforma acha que pode haver problemas de desempenho com seu modelo, bem como das orientações sobre como resolvê-los Esta seção inclui detalhes sobre como entender e melhorar o desempenho do modelo.
Refinar o desempenho do rótulo - esta etapa trata da tomada de ações, recomendadas pela plataforma, para melhorar o desempenho de seus rótulos. Elas incluem o uso dos modos de treinamento "Verificar rótulo" e "Rótulo ausente", que ajudam a lidar com possíveis inconsistências em suas anotações, bem como o modo "Ensinar rótulo" (abordado com mais detalhes na fase de Exploração aqui)
Aumentar a cobertura — essa etapa ajuda a garantir que o máximo possível do seu conjunto de dados seja coberto por previsões de rótulo significativas.
Melhorar o balanceamento - esta etapa é sobre garantir que seus dados de treinamento sejam uma representação equilibrada do conjunto de dados como um todo. Melhorar o balanceamento no conjunto de dados ajuda a reduzir o viés de anotação e aumentar a confiabilidade das previsões feitas.