- 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
Visão geral do processo de treinamento do modelo
O treinamento de um modelo pode ser dividido em um processo de três fases:
Na primeira instância, é recomendável passar por essas etapas em ordem, mas isso pode ser um processo iterativo. Com o tempo, você pode descobrir que, para rótulos diferentes, pode cortar e alterar as diferentes etapas à medida que se familiariza com a plataforma.
Discover
Descubra é onde intenções, padrões e temas de conversa semelhantes são agrupados em 'clusters'. Esse é o ponto de partida e é usado para construir rapidamente um modelo inicial no qual você analisa seus dados e marca cada cluster com um ou mais rótulos que se aplicam.
Explorar
Após a revisão de clusters no Discover, o Explore é usado para treinar ainda mais o seu modelo. A maior parte do seu tempo será gasto aqui revisando mensagens, adicionando rótulos e melhorando a compreensão do modelo de seus dados.
Refinar
Esse estágio é usado para avaliar e melhorar o desempenho geral do seu modelo. Nesta etapa, a plataforma fornece feedback guiado sobre a integridade do seu modelo por meio da Classificação do modelo, incluindo problemas de desempenho e as próximas melhores ações para resolvê-los.
As fases de Descubra, Explorar e Refinar agora podem ser concluídas usando a guia Treinar. Para mais informações, consulte a página Treinar .
Remover / Reorganizar
Essa é uma parte do processo de treinamento do modelo que pode ser feita a qualquer momento: renomear, mesclar ou excluir rótulos à medida que o processo avança. O processo é explicado em detalhes na página Explorar .
