- 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
Erkunden
linkAuf der Seite Erkunden können Sie ein Dataset suchen, überprüfen und filtern, um einzelne Nachrichten und allgemeine Felder zu überprüfen und zu überprüfen. Wählen Sie in der Navigationsleiste die Registerkarte Erkunden , um zur Seite zu navigieren:
Standardmäßig zeigt Explore die 20 neuesten Nachrichten in einem Dataset im Modus Zuletzt verwendet an. Sie können den Dropdownmodus-Selektor auswählen, um dies zu ändern.
Die verschiedenen Optionen, die Sie im Dropdownmenü auswählen können, sind:
- Zuletzt – die 20 neuesten Nachrichten werden angezeigt.
- Mischen – 20 zufällige Nachrichten werden angezeigt.
- Lehren – Zeigt 20 Nachrichten an, bei denen die Plattform nicht sicher ist, wie sie mit Anmerkungen versehen werden sollen.
- Niedrige Konfidenz – zeigt 20 Nachrichten an, die durch informative Beschriftungsvorhersagen nicht gut abgedeckt werden.
- Neuausgleich – Zeigt 20 Nachrichten an, die von den Trainingsdaten in Ihrem Dataset unterrepräsentiert werden.
- Beschriftung – Es werden 20 Nachrichten mit der ausgewählten Beschriftung angezeigt oder vorhergesagt, was der Standardmodus ist, wenn Sie eine Beschriftung auswählen.
- Beschriftung überprüfen – Es werden 20 Nachrichten angezeigt, bei denen die ausgewählte Beschriftung möglicherweise falsch angewendet wurde.
- Fehlende Beschriftung – Es werden 20 Nachrichten angezeigt, bei denen möglicherweise die ausgewählte Beschriftung fehlt.
Am unteren Rand der Seite können Sie auswählen, ob Sie zur nächsten Seite mit 20 Nachrichten wechseln oder zu einer vorherigen Seite zurückkehren möchten.
Die Filterleiste und das Hinzufügen oder Entfernen von Filtern
linkIn diesem Abschnitt werden die Filter in Communications Mining™ und ihre Anwendung erläutert.
In der Filterleiste können Sie bestimmte Gruppen von Nachrichten finden, die Sie filtern können:
- Bestimmte Datumsbereiche, mit denen Sie genaue Daten auswählen oder aus Optionen wie der letzten Woche, dem letzten Monat, 90 Tagen oder dem Jahr auswählen können.
- Überprüfte oder nicht überprüfte Nachrichten.
- Nachrichten mit positiven oder negativen Stimmungsvorhersagen, wenn die Stimmung im Dataset aktiviert ist.
- Nachrichten, für die bestimmte allgemeine Felder vorhergesagt oder zugewiesen wurden.
- Nachrichten, die eine bestimmte Beschriftung oder eine Kombination vorhergesagter Beschriftungen enthalten oder ausschließen. Weitere Informationen finden Sie unter Erweiterte Vorhersagefilter.
Darüber hinaus können Sie jeden Filter basierend auf den Metadateneigenschaften hinzufügen, die Ihren Nachrichten zugeordnet sind, indem Sie Neuen Filter hinzufügen auswählen.
Hinzufügen eines Benutzereigenschaftsfilters
linkWenn Sie Neuen Filter hinzufügen auswählen, wird im Dropdownmenü eine vollständige Liste aller verfügbaren Eigenschaftsfilter angezeigt.
Diese sind natürlich nach Kategorien gruppiert, und einige sind eindeutig für den Kommunikationstyp im Dataset, z. B. E-Mail.
Die Eigenschaftskategorien, in denen Eigenschaften zusammen gruppiert werden, sind:
- Quelle – Wird nur angezeigt, wenn das Dataset mehrere Quellen enthält.
- E-Mail – Diese sind spezifisch für einzelne E-Mails, zum Beispiel, wer die E-Mail gesendet hat.
- Thread – Diese sind E-Mail-spezifisch und beziehen sich auf die Eigenschaften von E-Mail-Threads.
- Anhang – Spezifisch für Nachrichten, hauptsächlich E-Mails, mit bestimmten Anhangseigenschaften.
- Benutzer – alle anderen hochgeladenen Metadateneigenschaften, die nicht von der Plattform abgeleitet sind, mit jeder Nachricht.
Ein Symbol gibt den Eigenschaftstyp für jede Eigenschaft an, ob es sich um eine Zahl oder eine Zeichenfolge handelt. Für Zeichenfolgen-Benutzereigenschaften bietet die Plattform einen Beispielwert, wenn Sie mit der Maus darauf zeigen.
Wenn Sie einen Filter für Metadatenfelder mit einem String-Format hinzufügen, können Sie auswählen, welche Sie in Ihre Auswahl ein- oder ausschließen möchten, wie in den folgenden Abbildungen gezeigt:
Wenn Sie einen Filter für Metadatenfelder mit einem Zahlenformat hinzufügen, können Sie Mindest- oder Höchstwerte auswählen, um einen Bereich Ihrer Wahl zu erstellen, wie in der folgenden Abbildung gezeigt:
Entfernen eines Eigenschaftsfilters
linkUm einen angewendeten Filter zu entfernen, wählen Sie das Papierkorbsymbol aus, das angezeigt wird, wenn Sie mit der Maus darauf zeigen, oder wählen Sie Alle löschen aus, um alle angewendeten Filter zu entfernen.
Beschriftungsfilter
linkSie können die Beschriftungsfilterleiste verwenden, um Nachrichten zu filtern, die bestimmte vorhergesagte Beschriftungen ein- oder ausschließen. Sie können dies entweder während des Modelltrainings oder beim Erkunden und Interpretieren Ihrer Daten tun. Weitere Informationen finden Sie unter Erweiterte Vorhersagefilter.
Sie können die folgenden Schaltflächen im Abschnitt Beschriftungen verwenden, um zwischen der Anzeige aller Nachrichten, der Nachrichten, denen Beschriftungen zugewiesen sind, oder der Nachrichten mit Vorhersage, die nicht überprüft wurden, zu filtern. Die Symbole sehen wie folgt aus und ändern ihre Farbe, wenn sie ausgewählt werden:
Wählen Sie Nachrichten aus, denen Beschriftungen zugewiesen sind. | |
Wählen Sie Nachrichten aus, für die Beschriftungen vorhergesagt wurden. |
Um den Filter aufzuheben, wählen Sie die Taste erneut.
Wenn Sie keine dieser Schaltflächen auswählen, sondern nach einer Beschriftung filtern, filtert die Plattform nach allen Nachrichten, die die Beschriftung entweder angeheftet oder vorhergesagt haben, beginnend mit den überprüften Nachrichten.
Mit der Beschriftungsfilterleiste und dem Filter + Beschriftung hinzufügen können Sie komplexe Kombinationen von Einschluss- und Ausschlussfiltern hinzufügen, z. B. Nachrichten mit X und Y vorhergesagt, aber nicht Z. Weitere Informationen zur Verwendung dieser Filter finden Sie unter Erweiterte Vorhersagefilter.
Rote Trainingsanzeige
- Der rote Trainingsindikator wird für einige Beschriftungen angezeigt und hebt diejenigen hervor, für die weitere Trainingsbeispiele erforderlich sind, damit die Plattform die Leistung der Beschriftung genau auswerten kann. Weitere Informationen finden Sie unter Überprüfen von Nachrichten.
- Die Vollständigkeit des Kreises gibt an, wie viele weitere Beispiele benötigt werden. Je größer der rote Abschnitt, desto mehr Beispiele sind erforderlich.
- Sobald Sie 25 Beispiele mit Anmerkungen haben, verschwindet der rote Kreis, je nach Komplexität der Beschriftung. Möglicherweise benötigen Sie jedoch weitere Beispiele, um genaue Vorhersagen zu erhalten.
- Sie sollten die Nachrichten überprüfen , um weitere Trainingsbeispiele zu finden.
Thread-Ansicht (E-Mail-spezifische Daten)
linkBei Datasets, die E-Mails enthalten, werden diese angezeigt und zeigen die E-Mail, die der ausgewählten Sortierreihenfolge entspricht, z. B. Beschriftung lehren, Fehlende Beschriftung usw., aber mit einfachem Zugriff auf die anderen E-Mails, die sich im selben E-Mail-Thread befinden.
Im folgenden Beispiel sehen Sie, dass sich die sortierte E-Mail in einem Thread von drei E-Mails befindet und dies die dritte E-Mail im Thread ist.
Sie können den E-Mail-Thread erweitern, um Teilansichten der anderen E-Mails im Thread anzuzeigen, indem Sie das bidirektionale Pfeilsymbol unter dem Betreff auswählen:
Wenn Sie eine der teilweise erweiterten E-Mails erneut auswählen, werden sie wie die ursprüngliche sortierte E-Mail vollständig erweitert: