- 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 anotadas e não anotadas
- Campos de extração
- 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 ou exclua uma fonte de dados no 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 do 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 rótulos 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
Validar e anotar extrações geradas
Forneça exemplos suficientes, para que o modelo possa fornecer estatísticas de validação. As estatísticas de validação ajudam a entender o desempenho das suas extrações. Além disso, permite que você ajuste suas extrações.
Examine os resultados e:
- Aceite as extrações se estiverem todas corretas.
- Corrija as extrações se houver alguma previsão incorreta.
- Marcar extrações como ausentes se elas não estiverem presentes na mensagem.
- Configure quaisquer campos adicionais, se houver algum que seja necessário para habilitar a automação de ponta a ponta.
Por que o ajuste fino é importante?
O ajuste fino permite que você use as anotações coletadas para melhorar o desempenho do modelo de extração.
Isso permite que você tome o modelo pronto para usar e aprimore o desempenho para seus casos de uso.
Quando você pode parar?
Pare depois que você fornecer pelo menos 25 exemplos de extrações de rótulos para o modelo usar no processo de validação. Verifique a validação e veja se o desempenho é suficiente ou se mais exemplos são necessários.
# | Descrição |
1 | Se todas as previsões de campo estiverem corretas, selecione Confirmar tudo para validar em massa que as anotações estão corretas. |
2 | Para adicionar novos campos de extração, selecione o botão de mais, ao lado de Campos gerais ou ao lado de qualquer um dos campos de extração. Para editar quaisquer campos existentes, selecione as reticências verticais ao lado de Campos gerais ou ao lado de qualquer um dos campos de extração. |
3 | No painel lateral, ao marcar a caixa ao lado das extrações previstas, você confirma que uma anotação de campo está correta, em um nível de extração. |
4 | Sob cada campo, você pode encontrar o ponto de dados que foi previsto pelo modelo.
Se a previsão estiver incorreta, selecione o botão x para ajustar o campo com a previsão correta. |
5 | Os pontos de dados previstos são marcados na mensagem original.
|
6 | Para adicionar ou modificar quaisquer campos, passe o mouse ao lado do botão + , no respectivo campo geral ou seção do campo de extração. |
7 | Para expandir os campos exibidos para campos gerais ou campos de extração específicos, selecione o botão suspenso. |
- Selecione Explorar ao lado de um conjunto de dados para acessar esse conjunto de dados específico.
- Na guia Explorar , selecione Anotar campos.
- No painel lateral, selecione o botão Prever extrações .
- No mesmo painel lateral, os indicadores correspondentes marcados por um círculo vermelho ou verde são exibidos ao lado das previsões do modelo.
Observação: os indicadores de correspondência mostram se as previsões do modelo correspondem às anotações que você fez para os campos de extração. Os indicadores são marcados na interface do usuário por um círculo vermelho ou verde no campo de extração e níveis de extração. Caso os valores não correspondam, eles são incompatíveis ou estão ausentes. Você pode executar novamente as previsões do modelo mais recentes para confirmar se elas correspondem às anotações fornecidas.Os estados que podem ser retornados pelos indicadores correspondentes são:
- Verde - as previsões correspondem às anotações. É visível no nível de extração apenas se todos os campos de extração tiverem indicadores verdes.
- Vermelho - ou as previsões não correspondem às anotações ou uma previsão está faltando uma anotação. É visível no nível de extração se qualquer um dos campos na extração tiver um indicador vermelho.
A imagem a seguir mostra como é uma extração em seu estado não confirmado . No painel direito, a extração é marcada como não confirmada, e o realce no próprio texto tem uma cor mais clara.
As extrações são validadas na experiência da guia Treinar de uma forma semelhante à guia Explorar .
Para validar suas extrações, aplique as seguintes etapas:
- Selecione Treinar ao lado de um conjunto de dados para acessar esse conjunto de dados específico.
- Na aba Treinar , selecione Extrações.
- Selecione a extração do rótulo que você deseja validar.
- Confirme se a mensagem exibida é um exemplo aplicável do rótulo.
- Depois de aplicar todos os rótulos aplicáveis, selecione Próximo: anotar campos.
- Na página a seguir, os indicadores correspondentes marcados por um círculo vermelho ou verde são exibidos ao lado das previsões do modelo.
Observação: os indicadores de correspondência mostram se as previsões do modelo correspondem às anotações que você fez para os campos de extração. Os indicadores são marcados na interface do usuário por um círculo vermelho ou verde no campo de extração e níveis de extração. Caso os valores não correspondam, você notará que os valores são diferentes ou estão ausentes. Você pode executar novamente as previsões do modelo mais recentes para confirmar se elas correspondem às anotações fornecidas.Os estados que podem ser retornados pelos indicadores correspondentes são:
- Verde - as previsões correspondem às anotações. É visível no nível de extração apenas se todos os campos de extração tiverem indicadores verdes.
- Vermelho - ou as previsões não correspondem às anotações ou uma previsão está faltando uma anotação. É visível no nível de extração se qualquer um dos campos na extração tiver um indicador vermelho.
- Selecione Confirmar tudo e ao lado para exibir a próxima mensagem a anotar automaticamente.