Überblick

Dieser Abschnitt bietet einen Überblick über die wichtigsten Plattformkonzepte.

Um mehr über die Plattform aus der Sicht des Endbenutzers zu erfahren, werfen Sie einen Blick auf unser Communications Mining-Benutzerhandbuch.

Konzept	BESCHREIBUNG	Beispiel
Quelle	In Communications Mining sind Daten in Datenquellen oder Quellen organisiert. In der Regel entspricht eine Quelle einem Kanal. Ein E-Mail-Postfach, die Ergebnisse einer Umfrage oder eine Reihe von Kundenbewertungen sind Beispiele für Daten, die in Communications Mining als Datenquelle hochgeladen werden können. Mehrere Quellen können kombiniert werden, um ein Modell zu erstellen. Daher ist es am besten, auf der Seite mehrerer Quellen den Fehler zu beheben, anstatt auf der Seite einer einzelnen Monsteinquelle.	Das Diagramm zeigt E-Mail-Daten (Quelle A, die einzelne E-Mails enthält) und Kundenbewertungsdaten (Quellen B und C, die einzelne Kundenbewertungen enthalten). Die Kundenüberprüfungsdaten werden basierend auf der Datenherkunft in zwei Quellen aufgeteilt, aber zum Erstellen eines gemeinsamen Modells in einem einzigen Dataset kombiniert.
Kommentar (Comment)	Innerhalb von Quellen wird jede einzelne Textkommunikation als Kommentar dargestellt. Ein Kommentar hat immer eine ID, einen Zeitstempel und einen Textkörper sowie zusätzliche Felder, die darauf basieren, welchen Datentyp er darstellt. Beispielsweise enthalten E-Mails die erwarteten E-Mail-Felder, z. B. „von“, „an“, „cc“ usw.	Das Diagramm zeigt, wie die verfügbaren Kommentarfelder von den verschiedenen Kommentartypen verwendet werden. Beispielsweise enthält das Feld „Von“ in einem E-Mail-Kommentar die Absenderadresse, während es in einem Kundenbewertungskommentar den Autor der Überprüfung enthält. Die Metadatenfelder (angezeigt am Ende jedes Kommentars) sind benutzerdefiniert. Beachten Sie, wie wir die gleichen Felder für beide Kundenbewertungsquellen verwenden: Da wir sie in einem einzigen Dataset kombinieren möchten, sollten die Daten konsistent sein, um eine gute Modellleistung sicherzustellen.
Dataset	Mit einem Dataset können Sie eine oder mehrere Quellen kommentieren, um ein Modell zu erstellen. Eine Quelle kann in mehrere Datasets aufgenommen werden. Der Satz aller Beschriftungen in einem Dataset wird als Taxonomie bezeichnet.	Das Diagramm zeigt zwei Datasets, die auf den Daten des Support-Postfachs aufbauen, und ein Dataset, das die Daten der Kundenbewertung kombiniert. Beachten Sie, dass Dataset 1 und Dataset 2 zwar auf denselben Daten basieren, aber ihre Bezeichnungstaxonomie unterschiedlich ist, da ihre Anwendungsfälle (Analyse und Automatisierung) unterschiedliche Beschriftungssätze erfordern.
Modell	Das Modell wird kontinuierlich aktualisiert, wenn Benutzer weitere Daten kommentieren. Um konsistente Vorhersagen zu erhalten, muss bei der Abfrage des Modells eine Modellversionsnummer angegeben werden.
Label	Bezeichnungen werden beim Training eines Modells angewendet und zurückgegeben, wenn das Modell nach Vorhersagen abgefragt wird. Wenn Beschriftungen als Vorhersagen zurückgegeben werden, haben sie einen zugehörigen Konfidenzwert , der angibt, wie wahrscheinlich das Modell denkt, dass die Vorhersage zutrifft. Damit die Vorhersage in eine „Ja/Nein“-Antwort umgewandelt wird, muss die Konfidenzpunktzahl mit einem Schwellenwert verglichen werden, der so gewählt wird, dass er einen geeigneten Genauigkeits-/Rückruf-Kompromiss darstellt.	Bezeichnungen werden von Communications Mining-Benutzern beim Training des Modells zugewiesen. Die Communications Mining-UI hilft dem Benutzer, die relevantesten Kommentare zu kommentieren, sicherzustellen, dass Beschriftungen konsistent angewendet werden und dass genügend Kommentare kommentiert werden, um ein leistungsstarkes Modell zu erstellen.