Välkommen till Labelf-plattformen! I den här artikeln får du en introduktion till Labelfs gränssnitt och de viktigaste funktionerna som du kommer att använda i ditt arbete som Modelltränare.
Inloggning
Öppna Labelf: Gå till Labelfs webbplats (du bör ha fått en länk av din Projektledare).
Ange inloggningsuppgifter: Skriv in din e-postadress och ditt lösenord.
Klicka på "Logga in".
Navigera i Labelf
Använd huvudmenyn längst upp för att navigera mellan olika vyer:
CLASSIFICATION: Här tränar du klassificeringsmodeller.
GENERATIVE: Här jobbar du med generativa modeller (prompt tuning).
DATASETS: Här hanterar du dina dataset.
ANALYTICS: Här kan du skapa och se dashboards.
Startsidan (Classification Models Overview)
När du har loggat in kommer du till startsidan, som i detta fall landar i en vy över befintliga klassificeringsmodeller. Här ser du en översikt över de modeller som finns tillgängliga i projektet.
Modell: En AI-modell som har tränats för att utföra en specifik uppgift, till exempel att kategorisera kundsamtal. Varje projekt kan innehålla flera modeller.
Översikt: Varje modell har en ruta som visar:
Modellnamn: Namnet på modellen (t.ex. "Agent Interaction", "Customer Need Category").
Status: Visar om modellen är "Deployed" (i produktion) eller inte.
Skapad: Datum då modellen skapades.
Antal labels: Antalet labels/kategorier som används i modellen.
Antal tränade ärenden: Antalet ärenden som använts för att träna modellen.
Översiktsknapp: Klicka på "Overview" för att se mer information om modellen.
Välja Projekt och Modell
Välja projekt: Vi grupperar projekt efter färg, du kan filtrera på färg i filtrerings och-baren.
Välja modell: När du befinner dig i ett projekt ser du alla tillgängliga modeller på startsidan. Klicka på "Overview" på den modell du vill arbeta med.
Classification Modellöversikt (Model Overview)
När du klickar på "Overview" för en specifik modell kommer du till modellöversikten. Här finns flera viktiga funktioner och vyer:
Modellinformation:
Name: Modellens namn.
Description: En beskrivning av modellen.
Base Model Version: Vilken basmodell som används.
Model Deployed: Om modellen är i produktion eller inte.
Dataset Filters: Här kan du se vilka filter som används för att välja ut data till modellen.
Connected Datasets: Visar vilket dataset som modellen är kopplad till.
Dataset Distribution: Visar en graf över fördelningen av labels i det kopplade datasetet.
Labels: Visar en lista över alla labels/kategorier som används i modellen.
Model Metrics: Visar prestandan för modellen.
Pie Chart (Model Overview)
Översikt: Längst ner på sidan för modellöversikten finns ett cirkeldiagram (Pie Chart) som visar fördelningen av annoteringar per kategori.
Användning: Klicka på en specifik kategori i pie-charten för att se vilka exempel som rekommenderas för den kategorin.
Rekommendationer: Systemet rekommenderar texter att annotera baserat på vad modellen behöver för att bli bättre.
Lägst Confidence: Titta på de exempel som har lägst confidence längst ner i listan, de kommer troligtvis vara felaktiga.
Confusion Matrix (Model Metrics)
Översikt: Confusion Matrix (hamburgaremeny -> Models -> Metrics -> Confusion Matrix) är en tabell som visar hur bra en modell är på att klassificera olika kategorier. Den visar hur ofta modellen förväxlar olika kategorier med varandra.
Användning: Använd Confusion Matrix för att identifiera vilka kategorier modellen har svårt att skilja åt.
Klickbara exempel: Klicka på en siffra i matrisen för att se de specifika exempel där modellen har gjort fel.
Förtroendegrad (Confidence Threshold): Använd reglaget uppe till höger för att justera konfidensnivån och se hur det påverkar modellens prestanda.
Distrubution of Dataset: Visar ett stapeldiagram på hur många exempel som finns för de olika kategorierna.
Modellträning (Model Training View)
När du klickar på "Start Training" i modellöversikten kommer du till träningsvyn. Här annoterar du data och tränar modellen.
Huvudfönster: Visar den text (t.ex. ett kundsamtal) som du ska träna på.
Kategorier: Till höger ser du de tillgängliga kategorierna för den valda modellen.
Dataset Filter: Visar vilka filter som är aktiva på den data du tränar på.
Model Filter: Visar vilka filter som är aktiva på modellen.
Check Labeling: Här kan du slå på "Check Labeling" för att få feedback på din träning.
Test: Välj "Test" för att testa din modell på en del av datan som inte används för träning.
Undo/Redo: Ångra eller gör om din senaste ändring.
New: Ladda in ett nytt ärende att träna på.
Search: Sök efter specifika ord eller fraser i datan.
Skip: Använd "Skip"-knappen om du är osäker på hur du ska klassificera en text, eller om texten är irrelevant.
Add a label: Lägg till en ny label/kategori (om du har behörighet att göra det).
View Conversation: Se hela konversationen om du behöver mer kontext.
Överst till höger: Visar hur många ärenden som finns kvar att träna på i den valda modellen.
Metadata: Använd metadatafält (som kö, agent, datum, etc.) för att filtrera fram data och hitta specifika exempel. Klicka på "Filters" uppe till höger för att lägga till filter.
Spara filter: Du kan spara dina filter så att du enkelt kan använda dem igen senare.
Viktiga Funktioner för Modelltränare
Sök: Använd sökfältet (längst upp) för att hitta liknande texter och se hur de har klassificerats. Använd * för synonymer och AI-sök (minst fyra ord).
Filter: Använd filter (t.ex. kö, agent, datum) för att begränsa datamängden och fokusera på en viss typ av data.
Rekommendationer: Gå till rekommendationsvyn (glödlampa) för att se texter som Labelfs Active Learning-system rekommenderar att du tränar på.
Confusion Matrix: Gå till "Confusion Matrix"-vyn (hamburgaremeny -> Models -> Metrics -> Confusion Matrix) för att se vilka kategorier modellen har svårt att skilja åt.
Check Labeling: Använd funktionen "Check Labeling" (i träningsvyn) för att få feedback på ditt arbete och identifiera eventuella fel.
Pie Chart: Använd pie-charten (längst ner på sidan för modellöversikten) för att se fördelningen av annoteringar och hitta rekommenderade exempel.
Skip: Använd "Skip"-knappen om du är osäker på hur du ska klassificera en text, eller om texten är irrelevant. Gå sedan igenom de skippade ärendena regelbundet.
Generativa Modeller (Generative Model Overview)
Labelf har också stöd för generativa modeller. Dessa modeller används inte för att klassificera text, utan för att generera text baserat på en prompt (en instruktion eller fråga).
Prompt: Här skriver du in den prompt som du vill att modellen ska svara på.
Prompt Tuning: Här kan du justera inställningarna för prompten.
Prompt Responses: Här kan du se svaren från modellen på din prompt.
Deploy Generative Model: Här kan du driftsätta din generativa modell.
Nästa Steg
I nästa artikel kommer du att få lära dig mer om hur du tränar modeller i Labelf och vilka strategier du kan använda för att bli en så effektiv Modelltränare som möjligt.
Kom ihåg: Denna artikel ger en generell översikt över Labelf-plattformen. Det kan finnas vissa skillnader i utseende och funktionalitet beroende på er specifika konfiguration och vilka funktioner som är aktiverade för ert projekt.