.svg){kind=small}
Das Nebula-Update vom September 2024 erweitert das Nebula AI-Toolkit durch die Einführung einer "aktiven Lern"-Trainingsmethodik, die eng mit Nebula Workflow integriert ist. Mit diesem Update wird ein neuer Workflow-Stufentyp eingeführt, der eine ideale Ergänzung für Benutzer darstellt, die bei ihren Predictive Coding (PC)-Projekten eine vertretbare und durch Metriken gestützte Strategie verfolgen wollen, insbesondere für diejenigen, die mit Fachexperten (SME) trainieren, um ein leichtgewichtiges und hochpräzises KI-Modell zu erstellen.
Aktives Lernen für eDiscovery-Projekte
Der neue Stufentyp "Aktives Lernen" kann so konfiguriert werden, dass Prüfer oder KMUs Stapel von Dokumenten direkt auschecken können, die eine Mischung aus Trainings- und Validierungsdokumenten enthalten; der Anteil dieser Dokumente kann in den Einstellungen der aktiven Lernstufe festgelegt werden. Dies verbessert die Effizienz der Überprüfung von Kontrollsätzen und stellt sicher, dass die Validierung in einem angemessenen Verhältnis zum Training eines Qualitätsmodells steht. Auf diese Weise können KMUs schnelle, messbare und vertretbare prädiktive Kodierung für jedes Projekt liefern.
Verwaltung von Kontrollsätzen
Für PC-Administratoren ist es einfach, Kontrollsets zu verwalten, die Überprüfung durch KMUs zu koordinieren und die Effektivität der Ergebnisse der prädiktiven Kodierung zu validieren. Benutzer mit den entsprechenden Berechtigungen können den Kontrollsatz mit einem Mausklick aktivieren und eine Prioritätsmetrik, wie z. B. Prävalenz, Recall oder Präzision, definieren. Nebula verfolgt automatisch den Fortschritt des Kontrollsatzes und passt den erforderlichen Kontrollsatz auf der Grundlage der vom Benutzer festgelegten Parameter, wie Konfidenzniveau und Fehlerspanne, an. Die Kontrollsatzdokumente sind so konzipiert, dass sie vor dem KMU-Team verborgen bleiben, um Voreingenommenheit zu vermeiden, aber Admins können diese Dokumente über die Verknüpfung im Kontrollsatzdialog schnell finden. Darüber hinaus zeigt das Diagramm die Leistungskennzahlen für den ausgewählten Klassifikator an, so dass die Benutzer den aussagekräftigsten Schwellenwert auswählen können.
Maßgeschneiderte Lernstrategien in Nebula
Mit diesem Update können Benutzer die Lernstrategie implementieren, die am besten zu ihren Bedürfnissen oder den Anforderungen der Materie passt, sei es TAR 1.0, 2.0, kontinuierliches aktives Lernen usw., und das alles innerhalb der Nebula-Umgebung. Es sind keine Plugins oder Add-ons erforderlich. Alles ist in der Plattform enthalten und bietet eine optimierte, benutzerfreundliche Erfahrung für die Verwaltung von TAR- und Machine Learning-Workflows.
Diese neue Funktionalität unterstreicht das Engagement von Nebula für die Unterstützung komplexer eDiscovery-Workflows und gibt den Anwendern die Werkzeuge an die Hand, die sie für die effiziente Verwaltung von Predictive Coding und Active Learning benötigen, unabhängig davon, ob es sich um erfahrene Predictive Coding-Praktiker oder um Personen handelt, die es zum ersten Mal einsetzen.