- 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
Treinamento usando Baixa confiança
Permissões de usuário necessárias: "Exibir Origens" E "Revisar e anotar".
A etapa chave final em Explorar é treinar usando o modo de "Baixa confiança", que mostra mensagens que não são bem cobertas por previsões de rótulos informativos. Essas mensagens não terão previsões ou previsões de confiança muito baixa para rótulos que a plataforma entende como informativos.
Os "Rótulos informativos " são aqueles que a plataforma entende serem úteis como rótulos independentes, considerando a frequência com que são atribuídos a outros rótulos.
Essa é uma etapa muito importante para melhorar a cobertura geral do seu modelo. Se você vir mensagens que deveriam ter rótulos existentes previstos para elas, isso é um sinal de que você precisa realizar mais treinamento para esses rótulos. Se você vir mensagens relevantes para as quais nenhum rótulo atual é aplicável, pode ser que você queira criar novos rótulos para capturá -las.
Você pode atribuir rótulos a mensagens nesse modo da mesma forma que qualquer outro modo Explorar.
Para acessar esse modo, use o menu suspenso no canto superior esquerdo da página Explorar:
Quanto treinamento devo fazer para esta etapa?
Este modo apresentará 20 mensagens por vez, e você deve concluir uma quantidade razoável de treinamento nele, passando por várias páginas de mensagens e aplicando os rótulos corretos, para ajudar a aumentar a cobertura do modelo (consulte aqui para uma explicação detalhada de cobertura).
A quantidade total de treinamento que você precisa concluir em "Baixa confiança" dependerá de alguns fatores diferentes:
- Quanto mais treinamento você concluiu em Aleatório e Teach- quanto mais treinamento você fizer em Aleatório e Teach, mais seu conjunto de treinamento deve ser uma amostra representativa do conjunto de dados como um todo, e menos mensagens relevantes devem haver em “Baixa confiança” .
- O objetivo do conjunto de dados — se o conjunto de dados for usado para automação e exigir uma cobertura muito alta, você deverá concluir uma proporção maior de treinamento em "Baixa confiança" para identificar os vários casos de borda para cada rótulo.
No mínimo, você deve tentar anotar cinco páginas de mensagens nesse modo. Mais tarde na fase Refinar , quando você verificar sua cobertura, poderá descobrir que precisa realizar mais um treinamento em "Baixa confiança" para melhorar ainda mais sua cobertura.
