- 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
- Create or delete a data source in the GUI
- Carregar um arquivo CSV para uma origem
- Preparando dados para carregamento de .CSV
- 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
- 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)
- Status do conjunto de dados
- Treinamento de modelos e práticas recomendadas de anotação
- Treinamento com análise de sentimento de rótulo habilitada
- Compreensão dos requisitos de dados
- 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
Guia do usuário do Communications Mining
Reverter modelo
Introdução
A funcionalidade de reversão de modelo nos permite reverter para uma versão anterior do nosso modelo, permitindo redefinir os dados de treinamento (tanto para anotações de rótulo quanto de campo geral) para as anotações usadas para treinar esta versão do modelo.
É importante observar que só é possível reverter para versões fixadas dos modelos.
Como usar essa funcionalidade
Na página "Modelos", o ícone de reversão do modelo estará disponível em todas as versões fixadas do nosso modelo. Para prosseguir com a reversão do modelo, clique no ícone de reversão na versão do modelo para o qual você deseja reverter.
É importante observar que a versão atual do modelo treinado será automaticamente fixada como backup, mas quaisquer anotações capturadas por uma versão do modelo que ainda esteja em treinamento serão perdidas.
Recomendamos permitir que a versão do modelo atual termine o treinamento antes de reverter seu modelo. Um módulo pop-up aparecerá para nos lembrar disso, depois de clicar no botão de reverter. Se quisermos continuar, podemos clicar no botão "Redefinir".
Enquanto o modelo estiver sendo revertido, não será possível modificar o conjunto de dados. Isso significa que não podemos treinar nosso modelo durante esse período e aplicar quaisquer rótulos ou campos gerais às mensagens. Um indicador de aviso aparecerá no topo, informando que o modelo está sendo revertido.
Se tentarmos modificar nosso conjunto de dados, o seguinte banner aparecerá no canto inferior direito da nossa tela, e qualquer mensagem que tentarmos anotar não terá o rótulo ou campo geral aplicado até que a reversão do modelo seja concluída.
Embora a funcionalidade de reversão esteja aqui para nos ajudar a reverter para uma versão anterior de um modelo se tivermos cometido algum erro grave em nosso treinamento do modelo, não devemos depender muito dela.
Em vez disso, devemos garantir que estamos seguindo a metodologia de treinamento do modelo adequada corretamente da primeira vez, pois isso nos economizará tempo a longo prazo.