- 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
- Hochladen einer CSV-Datei in eine Quelle
- Vorbereiten von Daten für den CSV-Upload
- 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
- 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
- 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

Communications Mining-Benutzerhandbuch
Das hervorgehobene allgemeine Feld sollte das gesamte Wort oder mehrere, nicht nur einen Teil davon abdecken. Fügen Sie keine zusätzlichen Leerzeichen am Ende des Felds ein.
Überprüfen Sie ähnlich wie bei Beschriftungen Ihre allgemeinen und Extraktionsfelder nicht teilweise
- Allgemeine Felder werden auf Absatzebene überprüft, nicht auf der gesamten Nachrichtenebene. Wenn Sie einen Absatz auf Felder überprüfen, überprüfen Sie alle Felder in dem Absatz.
Wenn Sie ein Feld in einem Absatz, in dem Sie andere Felder beschriftet haben, nicht bestätigen, wird dem Modell mitgeteilt, dass Sie es nicht als echtes Beispiel für das vorhergesagte Feld betrachten. Dies spiegelt sich in den Validierungspunktzahlen und der Leistung des allgemeinen Felds wider.
- Extraktionsfelder werden auf Nachrichtenebene überprüft, nicht nur auf Absatzebene. Wenn Sie eine gesamte Nachricht auf Felder überprüfen, überprüfen Sie alle Felder in der Nachricht.
Wenn Sie ein Feld in einer Nachricht, in der Sie andere Felder beschriftet haben, nicht bestätigen, wird dem Modell mitgeteilt, dass Sie es nicht als echtes Beispiel für das vorhergesagte Feld betrachten. Dies spiegelt sich in den Validierungspunktzahlen und der Leistung der Extraktionsfelder wider.
- Globale Felder dürfen sich weder miteinander noch mit einem anderen Beispiel von sich selbst überschneiden.
- Globale Felder und Extraktionsfelder können sich überschneiden.
- Sie können denselben Textabschnitt von verschiedenen Extraktionsfeldern so oft wie nötig verwenden.
- Derzeit gibt es keine Vorschau zur Normalisierung von allgemeinen Feldern in Communications Mining™. Felder, die normalisiert werden sollten, werden in der Downstream-Antwort normalisiert. Die Normalisierung in Communications Mining wird in Zukunft im Modell verfügbar sein.
- Wenn eine untergeordnete Beschriftung Extraktionen enthält, erbt das übergeordnete Element die Extraktionsbeispiele nicht automatisch. Bei Beschriftungen erbt das übergeordnete Element automatisch die Extraktionsbeispiele.
- Das Bereitstellen zusätzlicher Extraktionsbeispiele verbessert die Leistung einer Beschriftung nicht. Um die Leistung einer Beschriftung zu verbessern, konzentrieren Sie sich auf beschriftetes Training.
- Durch die Verbesserung der Beschriftungsleistung können Sie die Wahrscheinlichkeit erhöhen, dass Sie Vorkommen erfassen, bei denen eine Beschriftung und anschließend ihre Extraktionen vorhergesagt worden sein sollten.
Um die Leistung Ihrer Extraktionen zu verbessern, stellen Sie validierte Beispiele zu den Extraktionen selbst zur Verfügung.