- 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
- Automatisierungs- und Communications Mining
- Lizenzierungsinformationen
- Häufige Fragen und mehr
Definieren Ihrer Taxonomieziele
Bevor Sie mit dem Training Ihres Modells beginnen, ist es wichtig zu verstehen, wie Sie mit Ihrer Taxonomie umgehen können, einschließlich der Erstellung Ihrer Beschriftungen, und was sie erfassen soll. Sie sollten auch die wichtigsten Datenpunkte definieren (d. h allgemeine Felder), die Sie trainieren möchten, wenn Sie Automatisierungen erkunden und implementieren möchten.
Eine Taxonomie ist eine hierarchisch strukturierte Sammlung aller Beschriftungen, die auf die Nachrichten in einem Dataset angewendet werden. Er kann sich auch auf die allgemeinen Feldtypen beziehen, die in einem Dataset aktiviert sind, und diese einschließen, obwohl diese in einer flache Hierarchie organisiert sind. Dieser Abschnitt bezieht sich auf Bezeichnungstaxonomien.
Ein erfolgreicher Anwendungsfall wird in erster Linie durch eine klar definierte Reihe von Zielen bestimmt. Ziele stellen nicht nur sicher, dass alle auf ein gemeinsames Ziel hinarbeiten, sondern helfen Ihnen auch bei der Entscheidung für den Modelltyp, den Sie erstellen möchten, und helfen Ihnen, die Struktur Ihrer Taxonomie zu gestalten. Letztendlich bestimmen Ihre Ziele über die Konzepte, für die Sie die Plattform trainieren, um sie vorherzusagen.
Taxonomien können darauf ausgerichtet sein, die Ziele bei der Automatisierung, Analyse oder beidem zu erreichen. Beim Entwerfen Ihrer Taxonomie müssen Sie sich die folgenden Fragen stellen:
- Welche Absichten oder Konzepte muss ich in den Daten erkennen, um die benötigten Automatisierungen oder Erkenntnisse voranzutreiben?
- Sind alle diese Konzepte nur aus dem Text der Nachricht erkennbar?
- Müssen bestimmte Konzepte auf eine bestimmte Weise strukturiert werden, um bestimmte Aktionen zu erleichtern?
Insgesamt sollten Ihre Beschriftungen mit ausreichendem Training eine genaue und ausgewogene Darstellung des Datasets im Kontext Ihrer Ziele (z. B für alle Anforderungstypen, die automatisch an den Downstream weitergeleitet werden).
Möglicherweise können Sie nicht alle Ihre Ziele mit einer einzigen Taxonomie in einem Dataset erreichen. Wenn Sie eine umfassende, aber detaillierte Analyse für einen Kommunikationskanal erhalten, aber auch eine ausgewählte Anzahl eingehender Anforderungstypen zu Workflow-Warteschlangen automatisieren möchten, benötigen Sie möglicherweise mehr als ein Dataset, um dies zu erleichtern.
Es ist normalerweise am besten, nicht zu versuchen, alles auf einmal in einer UiPath Multi-Purchase-Taxonomie zu erreichen, da dies sehr schwierig für das Training und die Aufrechterhaltung einer hohen Leistung werden kann. Es ist am einfachsten, mit einer Taxonomie für einen bestimmten Zweck zu beginnen, z. B Analysieren von In-App-Kundenfeedbackdaten auf Produktfunktionsanforderungen und Fehler oder Überwachen der Client-Servicequalität in einem Posteingang des Betriebsteams.
Eine Aufschlüsselung der verschiedenen Arten von Zielen finden Sie im nächsten Artikel über Anwendungsfälle mit Analyse- und Automatisierungsfokus.