AI Solutions für E-Mails

Vorlagen für AI-Lösungen > E-Mail AI

Hinweis:

Die E-Mail AI-Vorlage befindet sich derzeit in der öffentlichen Vorschau.

UiPath legt großen Wert auf die Stabilität und Qualität seiner Produkte, aber die Vorschaufunktionen können aufgrund des Feedbacks unserer Kunden jederzeit geändert werden. Die Verwendung von Vorschaufunktionen wird für Produktionsbereitstellungen nicht empfohlen.

Die Lösung E-Mail AI-Vorlage wird bei vorhandenen Benutzern weiterhin unterstützt, jedoch wird bei komplexeren Anwendungsfällen die Lösung Communications Mining empfohlen. Weitere Informationen zu Communications Mining finden Sie in der offiziellen Dokumentation.

Überblick

Weitere Informationen zu E-Mail AI finden Sie in diesem Video.

Vorteile

Diese Vorlage enthält ein Rezept zum Erstellen Ihrer eigenen E-Mail-KI-Lösung. Die Vorlage hilft, die folgenden Ziele zu erreichen:

1. Erkennen Sie die Absicht, E-Mails zu organisieren und an andere Abteilungen weiterzuleiten.
2. Entdecken Sie hochwertige und dringende E-Mails basierend auf Geschäftsanforderungen und -stimmung.
3. Extrahieren Sie Entitäten, um Dateneingabe- und Eskalationsworkflows auszuführen.
4. Zeigen Sie die Auswirkungen der erweiterten KI-Automatisierung auf das Insights-Dashboard auf.

Vorlageninhalt

Um die oben genannten vier Ziele zu erreichen, bündelt diese Vorlage Folgendes in einer einzigen zip-Datei namens EmailAI.zip, die hier heruntergeladen werden kann:

• Machine Learning (ML)-Modelle (verfügbar im UiPath® AI Center)
• Beispiel-Datasets (in den Ordnern classification_data und ner_data )
• Beispiel-Workflows (in den Ordnern SMA_SmartMailAutomation und NER_Validation_Station )
• Standardanalyse
• Human in the Loop und kontinuierliches Lernen von ML-Modellen
• Konfigurationsdatei ( Config.xlsx )

Machine-Learning-Modelle

• Mehrsprachige Textklassifizierung für die Absichtsklassifizierung
• Erkennung benutzerdefinierter benannter Entitäten für die Extraktion relevanter Informationen
• Semantische Ähnlichkeit für die Zuordnung von Fragen in E-Mails zur Wissensdatenbank
• Stimmungsanalyse für die Erkennung der Dringlichkeit

Beispiel-Datasets

Beispiel-Datasets werden verwendet, um die Modelle schnell zu testen und zusätzliche Datasets speziell für Ihren Anwendungsfall zu erstellen.

Das E-Mail-AI-Vorlagenpaket enthält zwei Beispiel-Datasets:

• Beispiel-Dataset für getaggte E-Mails für das Modell für die mehrsprachige Textklassifizierung (Email_Classification_data.csv) – Dieses Beispiel wird verwendet, um E-Mails in die folgenden Klassen zu klassifizieren:
  • Transaktionsprobleme
  • Kreditprobleme
  • Probleme mit Fehlinformationen oder Erläuterungen
• Beispiel-Dataset für getaggte E-Mails für benutzerdefiniertes NER-Modell ( Email_NER_data.txt ) – die folgenden Entitäten sind beschriftet:
  • ID
  • PER
  • ORG
  • Menge

Sample workflows

Beispielworkflows werden verwendet, um die Modelle in vordefinierten Workflows auszuführen, um die Leistungsfähigkeit der KI zu sehen, zusätzliche Datensätze zu kuratieren und die Workflows bei Bedarf anzupassen.

Beispielworkflow für ein Geschäftsszenario

Als Erstes liest die Automatisierung alle E-Mails in einem Ordner und bereinigt die Daten. Der Workflow ist so konfiguriert, dass er E-Mails aus CSV oder einem Ordner in Outlook liest, kann aber so erweitert werden, dass er bei neuen eingehenden E-Mails ausgelöst wird. Nach dem Lesen neuer Nachrichten sagt die Automatisierung die Absicht, die Entitäten und die Stimmung voraus und ordnet die E-Mail der Frage in der Wissensbank zu (im Ordner faq_data für den Workflow bereitgestellt). Vorhersagen mit niedriger Konfidenz gehen an das Action Center und dann an das AI Center-Dataset.

Je nach Vorhersage gibt es drei mögliche Szenarien:

Darlehensproblem: Dateneingabe in CSV-Datei und Priorisieren von E-Mails mit Darlehen über 10.000 USD

Transaktionsproblem: Dateneingabe in CSV-Datei und Priorisieren von E-Mails mit Transaktionswert über 10.000 USD

Problem mit Fehlinformationen oder Klarstellung: Extrahieren Sie die Antwort aus der Wissensdatenbank für die zugeordnete Frage

Dieser Ausführungsworkflow ist auch für das Erstellen von Protokollen verantwortlich, die von den Insights-Dashboard-Abfragen verwendet werden können.

Nachdem die Vorhersage abgeschlossen ist, wird eine Beispielantwort für die Beantwortung eingehender E-Mails erstellt. Die Beispielantwort kann auch in der Datei Config.xlsx konfiguriert werden.

Standardanalyse

Im Falle der bereitgestellten Demo sehen die Informationen in der Insights-Demo ähnlich wie im folgenden Screenshot aus:

Die Insights-Dashboards für E-Mail-KI bestehen aus den folgenden Widgets:

Widget-Name	Widget-Typ	Beschreibung
Anzahl der verarbeiteten E-Mails	Eingabe	Zeigt eine kumulative Summe aller bisher verarbeiteten E-Mails an.
Automatisierungsverteilung	Kreisdiagramm	Prozentsatz der verwendeten Automatisierung, verteilt nach: Automatisiert Von Mensch korrigiert Übergeben an Mensch
Verteilung von Intents	Kreisdiagramm	Prozentsatz der verwendeten Intents, verteilt nach: Transaktionsproblem Informationsanforderung Kreditproblem Von Mensch korrigiert Übergeben an Mensch
Verteilung von Entitäten	Kreisdiagramm	Prozentsatz der verwendeten Entitäten, verteilt nach: Datum Person Menge ID Organisation Von Mensch korrigiert Übergeben an Mensch
Verteilung von Stimmungen	Kreisdiagramm	Prozentsatz der verwendeten Stimmungen, verteilt nach: Übergeben an Mensch Von Mensch korrigiert Negativ Neutral Positiv Sehr negativ Sehr positiv
Verteilung von häufig gestellten Fragen	Kreisdiagramm	Nutzungsprozentsatz jeder erhaltenen FAQ-Frage.

Mensch in der Schleife und kontinuierliches Lernen

Der bereitgestellte Beispielworkflow für ein Geschäftsszenario überträgt die Daten mit niedriger Konfidenz zur Validierung durch den Benutzer an das Action Center und dann an das AI Center. Für das benutzerdefinierte NER-Modell wird der Workflow NER_Validation_Station bereitgestellt, der verwendet werden kann, um benutzerdefinierte Entitäten zu validieren und dann die Daten an das AI Center zu übertragen.

Konfigurieren von E-Mail-AI

	Beschreibung
Schritt 1: ML-Fähigkeiten trainieren und bereitstellen	Die folgenden ML-Fähigkeiten müssen trainiert und bereitgestellt werden: Mehrsprachige Textklassifizierung Benutzerdefinierte Named Entity Recognition Semantische Ähnlichkeit Stimmungsanalyse
Schritt 2: Alle ML-Fähigkeiten öffentlich machen und URL und API-Schlüssel kopieren	Kopieren Sie die URL und die API-Schlüssel der bereitgestellten ML-Fähigkeiten.
Schritt 3: Den SMA_SmartAutomationMail-Workflow verwenden und die Umgebungsvariablen konfigurieren	Der Workflow kann mit den erforderlichen Konfigurationen ausgeführt werden.
Schritt 4: Zum Insights-Dashboard wechseln und die Abfragen ausführen	Konfigurieren Sie die folgenden Abfragen im Insights-Dashboard: Wird in Kürze hinzugefügt. Wird in Kürze hinzugefügt. Wird in Kürze hinzugefügt.
Schritt 5: Menschliche Schleife für NER konfigurieren	Nach dem Ausführen des Ausführungsworkflows werden die Daten mit niedriger Konfidenz aus dem benutzerdefinierten NER-Modell im Unterordner training_data im Ordner NER_Validation_Station gesammelt. Führen Sie den Workflow dort aus, um die Daten zu validieren und bei Bedarf zu ändern. Jetzt können diese Daten manuell in das AI Center hochgeladen werden, oder Sie können die Validierungsstation so konfigurieren, dass die Daten in den AI Center-Dataset-Ordner hochgeladen werden.
Schritt 6: E-Mail-KI nach Bedarf erweitern	Nachdem wir nun gesehen haben, wie E-Mail-KI Ihren Posteingang automatisieren kann, ist es an der Zeit, sich die gängigen Posteingänge Ihres Unternehmens anzusehen und diese Lösungsvorlage zu einer Lösung zu erweitern.

Schritt 1: ML-Fähigkeiten trainieren und bereitstellen

1. Trainieren Sie das Dataset-Modell für die Textklassifizierung und stellen Sie es als ML-Fähigkeit bereit.
2. Trainieren Sie das NER-Dataset-Modell und setzen Sie es als ML-Fähigkeit ein.
3. Stellen Sie das semantische Ähnlichkeitsmodell als ML-Fähigkeit bereit.
4. Stellen Sie das Stimmungsanalysemodell als ML-Fähigkeit bereit.

Schritt 2: Alle ML-Fähigkeiten öffentlich machen und URL und API-Schlüssel kopieren

Weitere Informationen zum Veröffentlichen von ML-Fähigkeiten und zum Generieren einer URL und eines API-Schlüssels finden Sie unter Verwalten von ML-Fähigkeiten.

Schritt 3: Die E-Mail AI-Demo konfigurieren

1. Konfigurieren Sie die API-URL und die Schlüssel für den Ordner „ML-Fähigkeiten und Dataset“ im ML-Konfigurationsblatt der Datei Config.xlsx.
2. Konfigurieren Sie folgende Parameter:
   1. UnreadLocalMailFolder in den Ordner demo_emails.
   2. OrchestratorFolderPath zu einem Ordner in Ihrem Orchestrator.
   3. FAQDataPath in den Ordner faq_data.
3. Legen Sie im Workflow das Argument ConfigFilePath für die Config.xlsx-Datei fest.
4. Führen Sie den Workflow aus und wechseln Sie zum Action Center, wenn der Workflow angehalten wird, um die Daten zu validieren.

Schritt 4: Zum Insights-Dashboard wechseln und die Abfragen ausführen

Diese Informationen werden in Kürze hinzugefügt. Überspringen Sie diesen Schritt vorerst.

Schritt 5: Konfigurieren von Mensch in Schleife

1. Öffnen Sie den Workflow aus dem Ordner NER_Validation_Station.
2. Fügen Sie im Paketmanager die UiPathTeam.CustomNER.Activities.1.0.0.nupkg-Abhängigkeit hinzu, die sich im Ordner NER_Validation_Station befindet.
3. Legen Sie die Umgebungsvariable config auf den Dateipfad der Config.xlsx-Datei, die im äußeren Ordner bereitgestellt wird.
4. Validieren Sie die Daten und bearbeiten Sie sie bei Bedarf.
5. Die Daten werden an den in Config.xlsx konfigurierten AI Center-Ordner zurückgeschrieben.

Schritt 6: E-Mail-KI an Ihre Anforderungen anpassen

Die E-Mail-KI-Lösungsvorlage kann entsprechend den Anforderungen Ihres Projekts konfiguriert werden. Dazu können Sie die Konfigurationsparameter in der Datei Config.xlsx ändern.

Wenn Sie mit Ihren eigenen Daten trainieren, müssen Sie mindestens die folgenden Konfigurationsparameter konfigurieren:

1. Klassifizierungen
2. NamedEntities
3. SemanticSimilarityOnlyIfType
4. DringlichkeitEntityType
   Um NER_Validation_Station auf neue Workflows auszuweiten, aktualisieren Sie schließlich die Datei taxonomy.json im Unterordner DocumentProcessing unter dem Ordner NER_Validation_Station .