- 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
Modelos
Um modelo de machine learning é basicamente uma representação matemática de um processo do mundo real. Para criar modelos de aprendizado de máquina, você precisa fornecer dados de treinamento de algoritmos de aprendizado de máquina com os quais eles podem aprender.
A plataforma usa vários modelos de aprendizado de máquina (supervisionados e não supervisionados) para interpretar, entender e aplicar rótulos aos seus dados. Frequentemente, usamos o termo "modelo" em nossa plataforma e em nossa documentação para nos referirmos coletivamente a esses modelos que funcionam nos bastidores.
Cada conjunto de dados tem um "modelo" associado a ele, que é treinado à medida que os usuários revisam as mensagens dentro da plataforma. À medida que o modelo treina, ele aprende e melhora, habilitando-o a fazer melhores previsões para rótulos e campos gerais.
Os modelos podem ser salvos e versionados. Isso significa que, quando os usuários configuram um fluxo de automação, eles podem selecionar uma versão específica do modelo e podem confiar no desempenho de tal versão para o rótulo em questão. Isso fornece determinismo aos usuários na hora de criar automações ou usar os dados para análises em aplicativos downstream. Para obter mais informações, consulte a seção Modelos .