- 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
- Auswählen von Konfidenz-Schwellenwerten für Bezeichnungen
- Erstellen Sie einen Stream
- Aktualisieren oder löschen Sie einen Stream
- Lizenzierungsinformationen
- Häufige Fragen und mehr
Auswählen von Konfidenz-Schwellenwerten für Bezeichnungen
Die Plattform wird in der Regel in einem der ersten Schritte eines automatisierten Prozesses verwendet: Erfassen, Interpretieren und Strukturieren einer eingehenden Kommunikation, z. B. einer Kunden-E-Mail, ähnlich wie ein Mensch dies tun würde, wenn diese E-Mail in seinem Posteingang eintrifft.
Wenn die Plattform vorhersagt, welche Bezeichnungen (oder Tags) auf eine Kommunikation zutreffen, weist sie jeder Vorhersage einen Konfidenzwert (%) zu, um zu zeigen, wie sicher die Bezeichnung ist.
Wenn diese Vorhersagen jedoch verwendet werden sollen, um die Kommunikation automatisch zu klassifizieren, muss es eine binäre Entscheidung geben – d. h. trifft diese Bezeichnung zu oder nicht? Hier kommen die Konfidenzschwellenwerte ins Spiel.
Ein Konfidenzschwellenwert ist der Konfidenzwert (%), bei dem ein RPA-Bot oder ein anderer Automatisierungsdienst die Vorhersage von der Plattform als binäres „Ja, diese Bezeichnung gilt“ nimmt und unterhalb der die Vorhersage als binäres liegt „Nein, diese Beschriftung trifft nicht zu“.
Es ist daher sehr wichtig, die Konfidenzschwellenwerte zu verstehen und wie der geeignete ausgewählt wird, um das richtige Verhältnis von Präzision und Rückruf für diese Bezeichnung zu erreichen.
- Um einen Schwellenwert für eine Bezeichnung auszuwählen, navigieren Sie zur Seite „Validierung“ und wählen Sie die Bezeichnung in der Bezeichnungsfilterleiste aus
- Ziehen Sie dann einfach den Schwellenwertschieberegler, oder geben Sie eine %-Zahl in das Feld ein (wie unten gezeigt), um die unterschiedlichen Präzisions- und Rückrufstatistiken anzuzeigen, die für diesen Schwellenwert erreicht würden
- Das Diagramm Präzision im Vergleich zu Wiedererkennung gibt Ihnen einen visuellen Hinweis auf die Konfidenzschwellenwerte, die die Präzision oder Wiedererkennung maximieren oder für ein Ausgewogenheit zwischen beiden sorgen würden:
- In der ersten Abbildung unten würde der ausgewählte Konfidenzschwellenwert (68,7 %) die Genauigkeit maximieren (100 %) – d. h. die Plattform sollte bei diesem Schwellenwert in der Regel keine Vorhersagen falsch machen – hätte aber dadurch einen niedrigeren Rückrufwert (85 %)
- Im zweiten Bild bietet der ausgewählte Konfidenz-Schwellenwert (39,8 %) ein gutes Verhältnis zwischen Präzision und Wiedererkennung (beide 92 %).
- In der dritten Abbildung würde der ausgewählte Konfidenzschwellenwert (17 %) die Wiedererkennung maximieren (100 %) – d. h. die Plattform sollte jede Instanz identifizieren, auf der diese Bezeichnung gelten soll – hätte aber dadurch einen niedrigeren Genauigkeitswert (84 %)
Wie wählen Sie also den für Sie richtigen Schwellenwert aus? Die einfache Antwort ist: Es kommt darauf an.
Je nach Anwendungsfall und spezifischer Bezeichnung möchten Sie möglicherweise entweder die Präzision oder die Wiedererkennung maximieren oder den Schwellenwert finden, der die bestmögliche Balance von beidem bietet.
Wenn Sie darüber entscheiden, welcher Schwellenwert erforderlich ist, sollten Sie an mögliche Ergebnisse denken: Was sind die potenziellen Kosten oder Folgen für Ihr Unternehmen, wenn eine Bezeichnung falsch angewendet wird? Was ist, wenn sie verpasst wird?
Für jede Bezeichnung sollte Ihr Schwellenwert basierend auf dem besseren Ergebnis für das Unternehmen gewählt werden, wenn etwas schief läuft – d. h. etwas wird falsch klassifiziert (ein falsch positives Ergebnis) oder etwas wird übersehen (ein falsch negatives Ergebnis).
Wenn Sie beispielsweise eingehende Kommunikation automatisch in verschiedene Kategorien klassifizieren möchten, aber auch eine Beschriftung für „Dringend“ haben, die Anforderungen an eine Arbeitswarteschlange mit hoher Priorität weiterleitet, möchten Sie möglicherweise den Rückruf für diese Beschriftung maximieren, um sicherzustellen, dass keine dringende Anforderungen werden übersprungen und akzeptieren als Ergebnis eine niedrigere Genauigkeit. Dies liegt daran, dass es für das Unternehmen möglicherweise nicht sehr schädlich ist, wenn einige weniger dringende Anforderungen in die Prioritätswarteschlange gesetzt werden. Es könnte jedoch sehr schädlich für das Unternehmen sein, eine dringende, zeitabhängige Anforderung zu übersehen.
Wenn Sie beispielsweise einen Anforderungstyp bei einer Geldtransaktion oder einem hohen Wert durchgängig automatisieren, würden Sie wahrscheinlich einen Schwellenwert wählen, der die Genauigkeit maximiert, sodass nur End-to- die Transaktionen zu beenden, bei denen die Plattform am zuversichtlichsten war. Vorhersagen mit Konfidenzen unter dem Schwellenwert werden dann manuell überprüft. Dies liegt daran, dass die Kosten einer falschen Vorhersage (ein falsch positives Ergebnis) potenziell sehr hoch sind, wenn eine Transaktion dann falsch verarbeitet wird.