- 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
- Excluir uma origem
- 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)
- Status do 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
- Fixação e marcação com tags de uma versão de modelo
- Excluindo um modelo fixado
- Adição de novos rótulos às taxonomias existentes
- Manutenção de um modelo em produção
- Reverter modelo
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Informações de licenciamento
- Perguntas frequentes e mais
Fixação e marcação com tags de uma versão de modelo
Permissões de usuário necessárias: "View Sources" E "View Labels".
Toda vez que você treinar a plataforma em seus dados (ou seja, anotando qualquer mensagem), uma nova versão do modelo associado ao seu conjunto de dados é criada. Como esses modelos são grandes e complexos, as versões anteriores não são armazenadas automaticamente em nossos bancos de dados, simplesmente porque os requisitos de armazenamento seriam incrivelmente grandes.
A versão mais recente do modelo sempre estará prontamente disponível, mas os usuários podem 'fixar' uma versão específica do modelo que desejam salvar. Eles também podem optar por "marcar" modelos fixados com uma tag "Ativo" ou "Em preparação".
Há alguns motivos para fixar uma versão de modelo:
- Fixar um modelo fornece determinismo sobre as previsões, especialmente para quando você está usando Fluxos. Isso significa que você pode confiar nas pontuações de precisão e recall para esta versão do modelo, e os futuros eventos de treinamento não as alterarão (para melhor ou para pior)
- Na página Validação , os usuários podem ver as pontuações de validação para versões de modelo fixadas anteriores, permitindo que você compare as pontuações ao longo do tempo e veja como seu treinamento melhorou seu modelo
Para fixar uma versão de modelo:
- Navegue até a página dos modelos pela barra de navegação superior
- Use a alternância "fixar" para salvar a versão atual do modelo
Para atualizar a tag para uma versão de modelo:
- Clique na seta ao lado de "Tags" em qualquer modelo fixado
- Selecione "Ativo" ou "Em preparação", dependendo do status do modelo fixado em qualquer implantação downstream