- 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
Rótulos (previsões, níveis de confiança, hierarquia etc.)
Um rótulo é um resumo estruturado de uma intenção ou conceito, expresso em uma mensagem. Uma mensagem geralmente é resumida por vários rótulos, ou seja, um rótulo não é uma classificação mutuamente exclusiva da mensagem.
Como um exemplo, em um conjunto de dados que monitora a experiência do cliente, podemos criar um rótulo chamado "Notificação de fatura incorreta", que descreve quando um cliente está informando à empresa que recebeu o que acredita ser uma fatura incorreta.
As ações de criação e edição de rótulos são executadas principalmente nas páginas Explorar e Descobrir .
Fixado vs. Previsto
Os rótulos são inicialmente criados pelos usuários, aplicando um a uma mensagem relevante. Os usuários podem continuar a aplicá-los para criar exemplos de treinamento para o modelo e a plataforma começará então a prever automaticamente o rótulo em todo o conjunto de dados onde for relevante.
Um rótulo aplicado por um usuário a uma mensagem é considerado 'fixado', enquanto aqueles que a plataforma atribui às mensagens são conhecidos como previsões do rótulo. Para obter mais detalhes, consulte aqui se quiser saber mais sobre mensagens revisadas e não revisadas.
Níveis de confiança
Quando a plataforma prevê se um rótulo se aplica a uma mensagem que não foi revisada por um usuário, ela fornece um nível de confiança (%) para essa previsão do rótulo. Quanto maior o nível de confiança, mais certa fica a plataforma de que o rótulo se aplica.
Os rótulos são sombreados pelo nível de confiança que a plataforma tem nos rótulos previstos. Quanto mais opaco for o rótulo, maior a confiança da plataforma de que o rótulo se aplica.
Hierarquia de rótulo
Os rótulos podem ser organizados em uma estrutura hierárquica para ajudar você a organizar e treinar novos conceitos mais rapidamente.
Essa hierarquia aceita um formato como este: [Rótulo pai] > [Rótulo de ramificação 1] > [Rótulo de ramificação n] > [Rótulo filho]
Um rótulo pode ser um rótulo pai autônomo ou ter rótulos de ramificação e filho (separados por ‘>’) que formam subconjuntos dos rótulos anteriores na hierarquia.
Sempre que um rótulo child ou rótulo de ramificação é fixado ou previsto, o modelo considera que os níveis anteriores na hierarquia também foram fixados ou previstos. As previsões para rótulos pais normalmente terão níveis de confiança mais altos do que os níveis mais baixos da hierarquia, pois geralmente são mais fáceis de identificar.
Para ver mais sobre hierarquias de rótulos, consulte aqui.
Sentimento do Rótulo
Para conjuntos de dados com análise de sentimento habilitada, cada rótulo (tanto fixado quanto previsto) tem um sentimento positivo ou negativo associado, indicado por uma cor verde ou vermelha (como as previsões de sentimento positivo abaixo).
Diferentes níveis de uma hierarquia de rótulos podem ter diferentes previsões de sentimento. Por exemplo, uma revisão pode ser geral positiva sobre uma “Propriedade”, mas ser negativa sobre “Propriedade > Localização”.
