- 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)
- Der Status des 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
Allgemeine Felder (früher Entitäten)
Entitäten, wie sie zuvor bekannt waren, sind jetzt Allgemeine Felder, eine von zwei Arten von Feldern in Communications Mining™.
Allgemeine Felder sind keiner bestimmten Bezeichnung zugeordnet, Extraktionsfelder hingegen schon. Diese Extraktionsfelder werden basierend auf ihren verknüpften Bezeichnungen vorhergesagt.
Allgemeine Felder sind zusätzliche Elemente strukturierter Daten, die aus den Nachrichten extrahiert werden können. Zu den allgemeinen Feldern gehören Daten wie Geldmengen, Datumsangaben, Währungscodes, Organisationen, Personen, E-Mail-Adressen, URLs sowie viele andere branchenspezifische Kategorien.
Der folgende Screenshot zeigt eine Meldung mit drei vorhergesagten allgemeinen Feldern; zwei Geldmengen und eine Richtliniennummer:
Eine Beispiel-E-Mail-Nachricht, die an ein Underwriting-Postfach gesendet wird, das strukturierte allgemeine Datenfelder enthält: zwei Geldmengen und eine Versicherungsnummer
Ähnlich wie Beschriftungen können vorhergesagte allgemeine Felder akzeptiert, abgelehnt oder zugewiesen werden, indem eine Textzeichenfolge markiert und das richtige allgemeine Feld aus der Liste im Modal ausgewählt wird ( hier erfahren Sie, wie das funktioniert). Beide Aktionen stellen Trainingssignaturen für das allgemeine Feldextraktionsmodell bereit, wodurch das Verständnis dieses allgemeinen Feldtyps verbessert wird.
Das Aktivieren der allgemeinen Feldextraktion und die Auswahl der allgemeinen zu extrahierenden Felder werden entweder während der Erstellung des Datasets oder über den Einstellungsabschnitt auf der Seite Dataset-Einstellungen bestätigt.
