- Versionshinweise
- Erste Schritte
- Benachrichtigungen
- Projekte
- Datasets
- Data Labeling
- ML-Pakete
- Sofort einsetzbare Pakete
- Pipelines
- ML-Skills
- ML-Protokolle
- Document UnderstandingTM im AI Center
- AI Center-API
- Lizenzierung
- Vorlagen für AI Solutions
- AI Solutions für E-Mails
- Anleitungen zu …
- Grundlegende Anleitung zur Fehlerbehebung
AI Solutions für E-Mails
Vorlagen für AI-Lösungen > E-Mail AI
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.
Weitere Informationen zu E-Mail AI finden Sie in diesem Video.
Diese Vorlage enthält ein Rezept zum Erstellen Ihrer eigenen E-Mail-KI-Lösung. Die Vorlage hilft, die folgenden Ziele zu erreichen:
- Erkennen Sie die Absicht, E-Mails zu organisieren und an andere Abteilungen weiterzuleiten.
- Entdecken Sie hochwertige und dringende E-Mails basierend auf Geschäftsanforderungen und -stimmung.
- Extrahieren Sie Entitäten, um Dateneingabe- und Eskalationsworkflows auszuführen.
- Zeigen Sie die Auswirkungen der erweiterten KI-Automatisierung auf das Insights-Dashboard auf.
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
undner_data
) - Beispiel-Workflows (in den Ordnern
SMA_SmartMailAutomation
undNER_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
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.
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:
|
Verteilung von Intents | Kreisdiagramm | Prozentsatz der verwendeten Intents, verteilt nach:
|
Verteilung von Entitäten | Kreisdiagramm | Prozentsatz der verwendeten Entitäten, verteilt nach:
|
Verteilung von Stimmungen | Kreisdiagramm | Prozentsatz der verwendeten Stimmungen, verteilt nach:
|
Verteilung von häufig gestellten Fragen | Kreisdiagramm | Nutzungsprozentsatz jeder erhaltenen FAQ-Frage. |
Mensch in der Schleife und kontinuierliches Lernen
NER_Validation_Station
bereitgestellt, der verwendet werden kann, um benutzerdefinierte Entitäten zu validieren und dann die Daten an das AI Center zu übertragen.
Beschreibung | |
---|---|
Schritt 1: ML-Fähigkeiten trainieren und bereitstellen | Die folgenden ML-Fähigkeiten müssen trainiert und bereitgestellt werden: |
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:
|
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. |
- Trainieren Sie das Dataset-Modell für die Textklassifizierung und stellen Sie es als ML-Fähigkeit bereit.
- Trainieren Sie das NER-Dataset-Modell und setzen Sie es als ML-Fähigkeit ein.
- Stellen Sie das semantische Ähnlichkeitsmodell als ML-Fähigkeit bereit.
- Stellen Sie das Stimmungsanalysemodell als ML-Fähigkeit bereit.
Weitere Informationen zum Veröffentlichen von ML-Fähigkeiten und zum Generieren einer URL und eines API-Schlüssels finden Sie unter Verwalten von ML-Fähigkeiten.
- Konfigurieren Sie die API-URL und die Schlüssel für den Ordner „ML-Fähigkeiten und Dataset“ im ML-Konfigurationsblatt der Datei Config.xlsx.
-
Konfigurieren Sie folgende Parameter:
-
UnreadLocalMailFolder
in den Ordnerdemo_emails
. -
OrchestratorFolderPath
zu einem Ordner in Ihrem Orchestrator. -
FAQDataPath
in den Ordnerfaq_data
.
-
-
Legen Sie im Workflow das Argument
ConfigFilePath
für dieConfig.xlsx
-Datei fest. - Führen Sie den Workflow aus und wechseln Sie zum Action Center, wenn der Workflow angehalten wird, um die Daten zu validieren.
Diese Informationen werden in Kürze hinzugefügt. Überspringen Sie diesen Schritt vorerst.
-
Öffnen Sie den Workflow aus dem Ordner
NER_Validation_Station
. -
Fügen Sie im Paketmanager die
UiPathTeam.CustomNER.Activities.1.0.0.nupkg
-Abhängigkeit hinzu, die sich im OrdnerNER_Validation_Station
befindet. -
Legen Sie die Umgebungsvariable config auf den Dateipfad der
Config.xlsx
-Datei, die im äußeren Ordner bereitgestellt wird. - Validieren Sie die Daten und bearbeiten Sie sie bei Bedarf.
-
Die Daten werden an den in
Config.xlsx
konfigurierten AI Center-Ordner zurückgeschrieben.
Config.xlsx
ändern.
Wenn Sie mit Ihren eigenen Daten trainieren, müssen Sie mindestens die folgenden Konfigurationsparameter konfigurieren:
- Überblick
- Vorteile
- Vorlageninhalt
- Konfigurieren von E-Mail-AI
- Schritt 1: ML-Fähigkeiten trainieren und bereitstellen
- Schritt 2: Alle ML-Fähigkeiten öffentlich machen und URL und API-Schlüssel kopieren
- Schritt 3: Die E-Mail AI-Demo konfigurieren
- Schritt 4: Zum Insights-Dashboard wechseln und die Abfragen ausführen
- Schritt 5: Konfigurieren von Mensch in Schleife
- Schritt 6: E-Mail-KI an Ihre Anforderungen anpassen