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, podendo fazer melhores previsões para rótulos e entidades.

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 .