- 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
- Zugriffskontrolle und Verwaltung
- 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
- Training von Chat- und Anrufdaten
- 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)
- Einleitung
- Verwenden der API
- API-Tutorial
- Zusammenfassung
- 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
- 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
- Konfigurieren allgemeiner Felder
- Verwenden von allgemeinen Feldern in Ihrer Anwendung
- Selbst gehostete Exchange-Integration
- UiPath® Automatisierungs-Framework
- UiPath® Marketplace-Aktivitäten
- 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
Dieses Postfach erhält Verlängerungs-, Stornierungs- und Administratoranforderungen, die gelegentlich dringend sind. Communications Mining™ wurde trainiert, um jedes dieser Konzepte zu erkennen. Communications Mining Vorhersagen können verwendet werden, um die E-Mails durch das Erstellen von Support-Tickets an das richtige Team zu sortieren.
Da das Format der Versicherungsnummer spezifisch für diesen bestimmten Versicherer ist, konfigurieren wir das allgemeine Feld so, dass es von Grund auf trainiert werden kann. Andererseits ist die gesicherte Organisation ein Organisationstyp, daher konfigurieren wir sie basierend auf dem integrierten Feld „Organisation“ so, dass sie trainierbar ist. Schließlich stellen wir fest, dass Agenten nicht immer ihren Namen in die E-Mail-Adresse einfügen. Daher entscheiden wir uns, die E-Mail-Adresse des Agenten (verfügbar in den Kommentar-Metadaten) zu verwenden, um den entsprechenden Namen in einer internen Datenbank zu suchen, anstatt ihn als zu extrahieren Allgemeines Feld.
Die folgende Tabelle fasst diese Ansätze zusammen.
Konfiguration | Einsatzbereich | Beispiele |
---|---|---|
Trainierbares allgemeines Feld ohne allgemeines Basisfeld | Wird am häufigsten für verschiedene Arten von internen IDs verwendet oder wenn in Communications Mining kein geeignetes allgemeines Basisfeld vorhanden ist. | Richtliniennummer, Kunden-ID |
Trainierbares allgemeines Feld mit allgemeinem Basisfeld | Wird zum Anpassen eines vorhandenen vorgefertigten allgemeinen Felds in Communications Mining verwendet. | Kündigungsdatum (basierend auf Datum), Versicherte Organisation (basierend auf Organisation) |
Vorgefertigte allgemeine Felder (nicht trainierbar) | Wird für allgemeine Felder verwendet, die genau wie definiert abgeglichen werden sollten, wenn das Training zu Fehlern führen würde. | ist in |
Verwenden von Kommentarmetadaten anstelle allgemeiner Felder | Wird verwendet, wenn erforderliche Informationen bereits in strukturierter Form in den Kommentarmetadaten vorhanden sind. | Absenderadresse, Absenderdomäne |