- 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
Entendendo o status do seu conjunto de dados
Cada vez que você aplicar rótulos ou revisar campos gerais em seu conjunto de dados, seu modelo será retreinado e uma nova versão de modelo será criada. Para entender mais sobre o uso de diferentes versões do modelo, consulte aqui.
Quando o modelo é treinado novamente, ele leva as informações mais recentes que lhe foram fornecidas e recalcula todas as suas previsões em todo o conjunto de dados. Esse processo começa quando você inicia o treinamento e, muitas vezes, quando o Communications Mining termina a aplicação das previsões para uma versão do modelo, ele já está recalculando as previsões para uma versão de modelo mais recente. Quando você para de treinar após um período de tempo, o Communications Mining irá recuperar em breve e aplicar as previsões que refletem o treinamento mais recente concluído no conjunto de dados.
Esse processo pode levar algum tempo, dependendo da quantidade de treinamento concluído, do tamanho do conjunto de dados e do número de rótulos na taxonomia. O Communications Mining tem um recurso de status útil para ajudar os usuários a entender quando seu modelo está atualizado ou se está sendo retreinado e quanto tempo isso deve levar.
Quando você estiver em um conjunto de dados, um desses dois ícones na parte superior da página indicará seu status atual:
Este ícone indica que o conjunto de dados está atualizado e que as previsões da versão mais recente do modelo foram aplicadas. | |
Isso indica que o modelo está sendo retreinado e as previsões podem não estar atualizadas. |
Se você passar o mouse sobre o ícone com o mouse, verá mais detalhes sobre o status, conforme mostrado abaixo: