- Einleitung
- Einrichten Ihres Kontos
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder
- Beschriftungen (Vorhersagen, Konfidenzniveaus, Beschriftungshierarchie und Beschriftungsstimmung)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Nachrichten mit und ohne Anmerkungen
- Extraktionsfelder
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Zugriffssteuerung und Administration
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen oder Löschen einer Datenquelle in der GUI
- Vorbereiten von Daten für den CSV-Upload
- Hochladen einer CSV-Datei in eine Quelle
- Hochladen einer PST-Datei
- Ein Dataset wird erstellt
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern der Dataset-Einstellungen
- Löschen einer Nachricht
- Löschen eines Datasets
- Exportieren eines Datasets
- Verwenden von Exchange-Integrationen
- E-Mail-Transformations-Tags
- Modelltraining und -wartung
- Grundlegendes zu Beschriftungen, allgemeinen Feldern und Metadaten
- Beschriftungshierarchie und Best Practices
- Vergleichen von Anwendungsfällen für Analyse und Automatisierung
- Konvertieren Ihrer Ziele in Bezeichnungen
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung
- Der Status des Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Grundlegendes zu Datenanforderungen
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- So funktioniert die Validierung
- Verstehen und Verbessern der Modellleistung
- Gründe für die geringe durchschnittliche Beschriftungsgenauigkeit
- 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
- Automations and Communications Mining™
- Entwickler (Developer)
- Verwenden der API
- API-Tutorial
- Quellen
- Datasets
- Anmerkungen
- Anhänge (Attachments)
- Vorhersagen
- Erstellen Sie einen Stream
- Aktualisieren Sie einen Stream
- Rufen Sie einen Stream nach Namen ab
- Rufen Sie alle Streams ab
- Löschen Sie einen Stream
- Ergebnisse aus Stream abrufen
- Kommentare aus einem Stream abrufen (Legacy)
- Bringen Sie einen Stream vor
- Einen Stream zurücksetzen
- Kennzeichnen Sie eine Ausnahme
- Entfernen Sie das Tag einer Ausnahme
- Prüfungsereignisse
- Alle Benutzer abrufen
- Hochladen von Daten
- Herunterladen von Daten
- Exchange Integration mit einem Azure-Dienstbenutzer
- Exchange-Integration mit der Azure-Anwendungsauthentifizierung
- Exchange-Integration mit Azure Application Authentication und Graph
- Migrationsanleitung: Exchange Web Services (EWS) zur Microsoft Graph-API
- Abrufen von Daten für Tableau mit Python
- Elasticsearch-Integration
- Allgemeine Feldextraktion
- Selbst gehostete Exchange-Integration
- UiPath® Automatisierungs-Framework
- Offizielle UiPath®-Aktivitäten
- Wie Maschinen lernen, Wörter zu verstehen: eine Anleitung zu Einbettungen in NLP
- Eingabeaufforderungsbasiertes Lernen mit Transformers
- Ef Robots II: Wissensdegesterration und Feinabstimmung
- Effiziente Transformer I: Warnmechanismen
- Tief hierarchische, nicht überwachte Absichtsmodellierung: Nutzen ohne Trainingsdaten
- Beheben von Anmerkungsverzerrungen mit Communications Mining™
- Aktives Lernen: Bessere ML-Modelle in weniger Zeit
- Auf Zahlen kommt es an – Bewertung der Modellleistung mit Metriken
- Darum ist Modellvalidierung wichtig
- Vergleich von Communications Mining™ und Google AutoML für Conversation Data Intelligence
- Lizenzierung
- Häufige Fragen und mehr
AI Trust Layer-Prüfung für generative KI-Funktionen in Communications Mining: Welche LLM-Eingaben und -Ausgaben für jede Funktion aufgezeichnet werden und wie sie auf Compliance überprüft werden.
Die Funktion Communications Mining sendet die Large Language Model (LLM)-Anforderungen für ihre generativen KI-Funktionen über den UiPath AI Trust Layer™, der jeden Vorgang in einem Prüfungsprotokoll aufzeichnet. Das Prüfungsprotokoll bietet Administratoren einen Überblick über die an LLMs gesendeten Daten und die von ihnen zurückgegebenen Antworten, wodurch die Anforderungen an Compliance, Governance und Datentransformation unterstützt werden.
Prüfungseinträge anzeigen
Jeder Vorgang wird auf der Registerkarte Prüfung der Seite AI Trust Layer unter dem IXP- Produktnamen angezeigt, einschließlich der an das LLM gesendeten Eingaben und der zurückgegebenen Ausgaben.
Einträge bleiben 60 Tage lang sichtbar und Sie können sie für längere Aufbewahrungszeiträume exportieren. Weitere Informationen zur Prüfungsansicht, zu Exporten und zur Aufbewahrung finden Sie unter Anzeigen von Prüfungsprotokollen.
Geprüfte Funktionen
Die folgenden generativen KI-Funktionen werden im Prüfungsprotokoll aufgezeichnet, wobei jeweils eine Eingabe und Ausgabe aufgeführt sind:
| Funktionen | Geprüfte Eingabe | Geprüfte Ausgabe |
|---|---|---|
| Generative Extraktion | Die Extraktionsanforderung, identifiziert durch die Nachrichten-ID | Die unformatierte LLM-Antwort, die die für die Nachricht zurückgegebenen Vorhersagen enthält |
| Generative Anmerkung | Ein Beispiel für Nachrichten aus den Quellen im Dataset | Die für die Beispielnachrichten zurückgegebenen Beschriftungen |
| Vorgeschlagene Beschriftungen von Clustern | Die Liste der Nachrichten-IDs im Cluster | Die für den Cluster vorgeschlagenen Beschriftungen, mit der Begründung |
| Zero-Shot-Taxonomie-Generierung (Vorschau) | Die Liste der von Clustern vorgeschlagenen Beschriftungen | Das generierte Taxonomieschema |
| Konversationsfilter (Vorschau) | Der Benutzerprompt | Das generierte Filterschema |
Geprüfte Daten kontrollieren
Automation Ops-Richtlinien für das AI Trust Layer steuern, wie Prüfungsdaten behandelt werden: Sie können das Speichern von Eingaben und Ausgaben deaktivieren oder personenbezogene Daten (PII) maskieren, bevor Anforderungen das LLM erreichen. Weitere Informationen finden Sie unter Einstellungen für AI Trust Layer-Richtlinien.