- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- 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
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Bezeichnungen, Entitäten 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 Beschriftung
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung zu „Verfeinern“
- 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 „Bezeichnung überprüfen“ und „Bezeichnung fehlen“
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Ausgleichs und Verwendung von „Neuausgleich“
- Wann das Training Ihres Modells beendet werden soll
- Definieren und Einrichten Ihrer Entitäten
- Grundlegendes zu Entitäten
- Welche vortrainierten Entitäten sind verfügbar?
- Aktivieren, Deaktivieren, Aktualisieren und Erstellen von Entitäten
- Entitätsfilterung
- Überprüfen und Anwenden von Entitäten
- Validierung für Entitäten
- Verbesserung der Entitätsleistung
- Erstellen von benutzerdefinierten Regex-Entitäten
- Verwenden von Analytics & Monitoring
- Automatisierungs- und Communications Mining
- Häufige Fragen und mehr
Verstehen von Bezeichnungen, Entitäten und Metadaten
Bevor Sie Ihre Taxonomie entwerfen, ist es wichtig zu verstehen, was von Beschriftungen, Entitäten und Metadaten erfasst werden soll, um Ihre Ziele zu erreichen. Es sollte nur minimale Überschneidungen geben, da sie sich alle gegenseitig ergänzen.
Beschriftungen:
- Konzepte, Themen und Absichten
- Beispiel: „Adressänderungsanforderung“, „Dringend“, „Statusaktualisierungsanforderung“ usw.
- Sollte nicht zum Erfassen von Informationen verwendet werden, die in den Metadaten vorhanden sind
Entitäten:
- Aus dem Text extrahierte strukturierte Datenpunkte
- Z. B Versicherungsnummern, Transaktions-IDs, URLs, Datumsangaben, Geldmengen usw.
Metadaten:
- Zusätzliche strukturierte Informationen, die jeder Nachricht zugeordnet sind
- Metadateneigenschaften können Benutzereigenschaften sein (definierte und hinzugefügte Vor-Uploads, z. B NPS-Punktzahl), E-Mail-Eigenschaften (aus E-Mails erfasst, z. B Absender, Empfänger, Domänen usw.) und Thread-Eigenschaften (automatisch abgeleitet von der Plattform für Thread-Daten wie E-Mails und Chats, z. B Anzahl der Nachrichten im Thread, Thread-Dauer usw.)
Hier sind einige der wichtigsten Unterschiede und Ähnlichkeitenzwischen Bezeichnungen und Entitäten. Beide werden normalerweise in Kombination zur Automatisierung verwendet, aber einzeln dienen sie unterschiedlichen Zwecken:
Die Plattform macht Beschriftungsvorhersagen basierend auf dem Text der Nachricht (bei E-Mails bedeutet dies der Betreff und der Text der E-Mail) sowie einige Metadateneigenschaften. Bei Entitäten lernt es vom zugewiesenen Textabschnitt und dem Kontext des Texts , der diesen Abschnitt umgibt .
Nachfolgend sehen Sie eine Beispielmeldung, die zeigt, dass Beschriftungen, Entitäten und Metadaten unterschiedlich sind, sich aber gegenseitig ergänzen. Damit diese eingehende Anforderung automatisiert werden kann, kann jede von ihnen für einen bestimmten Zweck erforderlich sein:
