- 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
Treinamento usando "Shuffé"
Permissão do usuário necessária: "Exibir origens" E "Revisão e rótulo".
“Aleatório” é a primeira etapa no Explorar e seu objetivo é fornecer aos usuários uma seleção aleatória de mensagens para eles revisarem. No modo aleatório, a plataforma mostrará mensagens que têm previsões que abrangem todos os rótulos (e onde não há nenhum). Por isso, a etapa Aleatório difere das outras em Explorar porque ela não se concentra em um rótulo específico para treinar, mas abrange todos eles .
Por que o treinamento usando o modo "Aleatório" é tão importante?
É muito importante usar o modo Aleatório para garantir que você forneça ao seu modelo exemplos de treinamento suficientes que sejam representativos do conjunto de dados como um todo e não sejam enviesados focando apenas em áreas muito específicas dos dados.
No geral, pelo menos 10% do treinamento que você conclui no seu conjunto de dados deve estar no modo Aleatório.
A rotulagem no modo Aleatório ajuda basicamente a garantir que sua taxonomia cubra bem os dados dentro de seu conjunto de dados e impede que você crie um modelo que pode fazer previsões com muita precisão sobre apenas uma pequena fração dos dados dentro do conjunto de dados.
Portanto, conferir as mensagens no modo Aleatório é uma maneira fácil de se ter uma ideia de como o modelo geral está se saindo, e pode ser consultado durante todo o processo de treinamento. Em uma taxonomia bem treinada, você deve ser capaz de passar por quaisquer mensagens não revisadas no Aleatório e apenas aceitar previsões para treinar ainda mais o modelo. Se muitas previsões estiverem incorretas, você poderá ver quais rótulos exigem mais treinamento.
Passar por várias páginas no Aleatório mais tarde no processo de treinamento também é uma boa maneira de verificar se há intenções ou conceitos que não foram capturados por sua taxonomia e deveriam ter sido. Depois, você pode adicionar rótulos existentes onde for necessário ou criar novos se necessário.
- Selecione "Aleatório" no menu suspenso para receber 20 mensagens aleatórias
- Filtrar para mensagens não revisadas
- Revise cada mensagem e qualquer previsão associada
- Se houver previsões, você deve confirmá-las ou rejeitá-las. Confirme clicando naquelas que se aplicam
- Lembre-se de que você também deve adicionar todos os outros rótulos adicionais que se apliquem
- Se você rejeitar as previsões, aplique todos os rótulos corretos. Não deixe a mensagem sem rótulos aplicados
- Você também pode clicar no botão de atualização para obter um novo conjunto de mensagens ou clicar na próxima página (na parte inferior)
Recomendamos rotular pelo menos 10 páginas de mensagens na Aleatório como um mínimo. Em grandes conjuntos de dados com muitos exemplos de treinamento, isso pode ser muito mais.
Você deve tentar concluir aproximadamente 10% ou mais de todo o treinamento no modo Aleatório.
