- 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
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Informações de licenciamento
- Perguntas frequentes e mais
Treinamento usando Ensinar Rótulo (Explorar)
Permissões de usuário necessárias: "Exibir Origens" E "Revisar e anotar".
Introdução ao uso de "Ensinar Rótulo"
"Ensinar" é a segunda etapa na fase Explorar e seu propósito é mostrar previsões para um rótulo em que o modelo fica mais confuso se ele se aplica ou não. Como nas etapas anteriores, precisamos confirmar se a previsão está correta ou incorreta e, ao fazê-lo, fornecer ao modelo sinais forte de treinamento. É o modo de treinamento específico de rótulos mais importante.
Principais etapas
- Selecione Ensinar no menu suspenso superior esquerdo, conforme mostrado
- Selecione o rótulo que deseja treinar - a seleção padrão no modo de aprendizado é mostrar mensagens não revisadas
- Você receberá uma seleção de mensagens em que o modelo fica mais confuso sobre se o rótulo selecionado foi aplicado ou não. Revise as previsões e aplique o rótulo se estiverem corretas ou aplique outros rótulos se estiverem incorretos.
- As previsões variarão entre ~50% para dados sem sentimento e 66% para dados com sentimento habilitado
- Lembre-se de aplicar todos os outros rótulos aplicáveis, bem como o rótulo específico em que você está se concentrando
Você deve usar este modo de treinamento conforme necessário para aumentar o número de exemplos de treinamento para cada rótulo para mais de 25, em que a plataforma pode estimar com precisão o desempenho do rótulo.
O número de exemplos necessários para que cada rótulo tenha um bom desempenho dependerá de vários fatores. Na fase "Refinar", abordamos como entender e melhorar o desempenho de cada rótulo.
A plataforma recomenda regularmente o uso de "Ensinar Rótulo" como um meio de melhorar o desempenho de rótulos específicos, fornecendo exemplos de treinamento mais variados que podem ser usados para identificar outras instâncias no seu conjunto de dados em que o rótulo deve ser aplicado.
O que fazer quando o número de exemplos de Ensinar é insuficiente?
Após Descobrir e Aleatório, podemos descobrir que alguns rótulos ainda têm muito poucos exemplos, e onde o modo "Ensinar Rótulo" não revela exemplos úteis de treinamento. Nesse caso, sugerimos usar os seguintes modos de treinamento para fornecer à plataforma mais exemplos para aprender:
Opção 1 - "Pesquisar"
A pesquisa de termos ou frases no Explorar funciona da mesma forma que a pesquisa no Descubra. Uma de duas diferenças importantes é que em Explorar você deve revisar e anotar os resultados da pesquisa individualmente, em vez de em massa. É possível pesquisar no Explorar, simplesmente digitando o termo da sua pesquisa na caixa de pesquisa na parte superior esquerda da página.
No entanto, muita pesquisa pode influenciar seu modelo, o que é algo que queremos evitar. Adicione não mais do que 10 exemplos por rótulo neste modo de treinamento para evitar viés de anotação. Também é importante dar um tempo para a plataforma se retreinar antes de voltar para o modo "Ensinar".
Para mais informações sobre como usar a Pesquisa no Explorar, clique aqui.
Opção 2 - "Rótulo"
Embora o treinamento usando o "Rótulo" não seja uma das principais etapas descritas na fase de Exploração, ele ainda pode ser útil nesta fase do treinamento. No modo Rótulo, a plataforma mostra mensagens em que esse rótulo é previsto em ordem decrescente de confiança (ou seja, com as previsões mais confiáveis primeiro e as menos confiáveis na parte inferior).
No entanto, só é útil revisar as previsões que não são de alta confiança (90%+). Isso ocorre porque quando o modelo é muito confiável (ou seja, acima de 90%), então, ao confirmar a previsão, você não está dizendo ao modelo nenhuma informação nova, e ele já tem certeza de que o rótulo se aplica. Procure exemplos menos confiáveis mais abaixo na página, se necessário. Embora, se as previsões tiverem grandes confianças e estiverem erradas, seja importante aplicar o(s) rótulo(s) correto(s), rejeitando assim a(s) previsão(s) incorreta(s).
Dicas úteis
- Se, para um rótulo, houver várias maneiras diferentes de dizer a mesma coisa (por exemplo, A, B ou C), certifique-se de fornecer exemplos de treinamento da plataforma para cada maneira de dizer isso. Se você fornecer 30 exemplos de A e apenas alguns de B e C, o modelo terá dificuldade em selecionar futuros exemplos de B ou C para esse rótulo.
- Adicionar um novo rótulo a uma taxonomia madura pode significar que ele não foi aplicado a mensagens revisadas anteriormente. Então, isso requer voltar e treinar o modelo em novos rótulos, usando a função “Rótulo perdido”. Veja aqui como.