- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder (früher Entitäten)
- Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Überprüfte und nicht überprüfte Nachrichten
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Verwaltung
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen Sie eine Datenquelle in der GUI
- Hochladen einer CSV-Datei in eine Quelle
- Ein neues Dataset erstellen
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern Sie die Einstellungen eines Datasets
- Löschen Sie Nachrichten über die Benutzeroberfläche
- Löschen Sie ein Dataset
- Löschen Sie eine Quelle
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Beschriftungen, allgemeinen Feldern und Metadaten
- Bezeichnungshierarchie und bewährte Methode
- Definieren Ihrer Taxonomieziele
- Analyse- vs. Automatisierungsanwendungsfälle
- Konvertieren Ihrer Ziele in Bezeichnungen
- Erstellen Ihrer Taxonomiestruktur
- Best Practices für den Taxonomieentwurf
- Ihre Taxonomie wird importiert
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung (NEU)
- Verstehen des Status Ihres Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- Wie funktioniert die Validierung?
- Verstehen und Verbessern der Modellleistung
- Warum kann eine Bezeichnung eine geringe durchschnittliche Genauigkeit haben?
- Training mit Beschriftung „Überprüfen“ und Beschriftung „Verpasst“.
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Abgleichs und Verwendung des Abgleichs
- Wann das Training Ihres Modells beendet werden soll
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Überblick
- Verwenden von Berichten
- Filtern von Berichten
- Autopilot for Communications Mining – Konversationsfilter (Vorschau)
- Überwachung
- Automatisierungs- und Communications Mining
- Lizenzierungsinformationen
- Häufige Fragen und mehr
PREVIEWAutopilot for Communications Mining – Konversationsfilter (Vorschau)
Die Konversationsfilterung ist eine Funktion Autopilot for Communications Mining , mit der Sie schneller zu den Antworten gelangen, die Sie benötigen.
Dadurch werden Abfragen in natürlicher Sprache zu Filtern, die zur Beantwortung erforderlich sind. Wenn Sie sich nicht sicher sind, welche Filter Sie zur Beantwortung einer Frage benötigen oder wie Sie diese richtig anwenden, übernimmt er für Sie die Schwerarbeit. Auf diese Weise können Sie mit minimalem Aufwand das Beste aus den Analysen in Communications Mining herausholen.
Konversationsfilter stehen allen Benutzern zur Verfügung, bei denen der Umschalter Generative KI-Funktionen verwenden in den Dataset-Einstellungen aktiviert ist. Der Umschalter wird in der Regel bei der Dataset-Erstellung aktiviert.
Führen Sie die folgenden Schritte aus, um Konversationsfilter zu verwenden:
- Geben Sie eine Abfrage ein, z. B. show transactional messages und drücken Sie die Eingabetaste.
- Warten Sie, bis Communications Mining die Abfrage verstanden hat, sie den richtigen Filtern zuordnet und sie für Sie anwendet.
- Der Filter gibt eine Antwort aus. Die Antwort bestätigt, wie viele Filter in der Nachricht identifiziert wurden und wie viele erfolgreich angewendet wurden. Auf diese Weise können Sie feststellen, ob eine Abfrage teilweise erfolgreich war, und Sie können die Abfrage bei Bedarf bearbeiten oder verbleibende Filter manuell anwenden.
Wenn eine Abfrage teilweise erfolgreich war, war einer der Werte in der Abfrage wahrscheinlich nicht identifizierbar und ist möglicherweise nicht im Dataset vorhanden.
Wenn Sie die Abfrage bearbeiten müssen, um sie zu verfeinern, passen Sie den Text an und drücken Sie dann erneut die Eingabetaste . Sie löscht automatisch die aktuell angewendeten Filter und wendet dann den in der Abfrage identifizierten Filtersatz an.
Konversationsfilter wechseln nur in Berichten von der Nachrichtenansicht zur Threads -Ansicht. Die Thread- Ansicht ist in „Erkunden“ nicht verfügbar, da Nachrichten bereits im Kontext ihres Threads angezeigt werden.
Beispiele:
Ab einem bestimmten Zeitraum
- Mir Nachrichten von [Zeitraum einfügen] anzeigen
Von einem bestimmten Absender oder einer Absenderdomäne
- Zeigt mir Nachrichten von [E-Mail-Adresse/E-Mail-Domäne einfügen]
- In „ Berichten“ können Sie den Wechsel von der Nachrichtenansicht zur Threads -Ansicht vornehmen, indem Sie Ihrer Abfrage Threads anzeigen oder Konversationen anzeigen hinzufügen.
- Um zur Ansicht Nachrichten zurückzukehren, fügen Sie Nachrichten anzeigen oder E-Mails anzeigen hinzu.
Opportunityerkennung
- Zeigen Sie mir transaktionale Nachrichten an – Diese haben kurze Thread-Längen (2-4 Nachrichten) und können beste Kandidaten für die Automatisierung sein.
- Zeigen Sie mir Anforderungen mit Dokumenten, die von Document Understanding akzeptiert wurden – Diese können Kandidaten für die Verarbeitung mit Document Understanding im Anschluss sein.
- Zeigen Sie mir Nachrichten mit sehr schlechten [oder sehr schlechten] Service-Levels – Wenn die Dienstgüte aktiviert und konfiguriert ist, hilft dies, problematische Nachrichten und Bezeichnungen zu identifizieren.
Wenn der Filter die Anforderung nicht erkennt oder die Anforderung abläuft, wird eine Fehlermeldung angezeigt.
Wenn eine Abfrage nicht erfolgreich war, waren die Werte in der Abfrage wahrscheinlich nicht identifizierbar und sind möglicherweise nicht im Dataset vorhanden.
Bearbeiten Sie die Abfrage, prüfen Sie auf Tippfehler oder Fehler, und versuchen Sie es erneut.