ixp
latest
false
- 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
- 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
Letzte Aktualisierung 11. Aug. 2025
Um sicherzustellen, dass das Modell die relevantesten Vorhersagen zurückgibt, müssen Sie Ihre Taxonomie für jedes Dataset korrekt definieren. Dies ist ein kritischer Schritt im generativen Extraktionsprozess, da das Lernen und die Vorhersagen des Modells auf den Details basieren, die Sie zuvor definieren.
Definieren Sie zunächst Ihre Taxonomie wie folgt:
- Melden Sie sich bei Communications Mining™ an, um auf die Seite der Datasets zu gelangen.
- Wählen Sie Neues Dataset aus, um ein neues Dataset zu erstellen, und füllen Sie die erforderlichen Felder aus. Weitere Informationen finden Sie unter Ein neues Dataset erstellen.
- Wählen Sie Weiter aus.
- Wählen Sie im Schritt Beschriftung definieren die Option Beschriftung hinzufügen aus.
- Definieren und strukturieren Sie die Beschriftung richtig und beschreiben Sie klar, womit sie bestehen soll.
Sie könnten beispielsweise einzelne Beschriftungen ohne Struktur hinzufügen, z. B. Beschriftung 1, Beschriftung 2, oder Sie könnten eine Hierarchie mit der Struktur
Parent label > Branch label > Child labelerstellen. Diese Beschriftungshierarchie stellt die Taxonomie für dieses bestimmte Dataset dar. Weitere Informationen finden Sie unter Beschriftungshierarchie. - Wählen Sie Erstellen.
Hinweis: Um die Taxonomie eines Datasets anzuzeigen oder zu bearbeiten, scrollen Sie im Seitenbereich der Registerkarten Erkunden oder Berichte nach unten, bis Sie zum Abschnitt Beschriftungen gelangen.
Sobald Sie Ihre Taxonomie eingerichtet haben, bestimmen Sie die Prozesse, die Sie automatisieren möchten.
Identifizieren Sie als Nächstes die spezifischen Datenpunkte oder Felder, die aus den Dokumenten extrahiert werden müssen.
Schließlich organisieren Sie die Datenpunkte in einer kohärenten Struktur (d. h Extraktionsschema), das den Datenextraktionsprozess leitet. Um das Extraktionsschema zu erstellen, richten Sie die Felder über die Registerkarten Trainieren, Erkunden oder Einstellungen ein und richten Sie die Feldtypen ein.
Weitere Informationen finden Sie in den folgenden Ressourcen:
