- 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
Überblick
linkGenerative Extraktion (GenEx) ist eine innovative neue Funktion für UiPath® Communications Mining™, die generative KI nutzt, um die komplexen Beziehungen zwischen mehreren Anforderungen und den für ihre Verarbeitung erforderlichen Datenpunkten zu verstehen.
Eine E-Mail kann mehrere Anforderungen enthalten, wobei für jede mehrere Felder extrahiert werden müssen, um die Automatisierung zu ermöglichen. Die Automatisierung dieses End-to-End-Elements erfordert mehr als nur das korrekte Extrahieren des Felds selbst, sondern auch ein Verständnis dafür, wie diese Elemente zusammenhängen. GenEx erweitert die Möglichkeiten der kommunikationsbasierten Automatisierung erheblich.
Die generative Extraktion nutzt die neuesten NLP-Funktionen und bietet zudem die notwendigen Leitplanken, die von Unternehmen zur Implementierung komplexer kommunikationsbasierter Automatisierungen für Geschäftsprozesse benötigt werden.
Komplexere Prozesse und Kommunikation mit mehreren unterschiedlichen Anforderungen können jetzt bevorzugt für die Automatisierung in Frage kommen.
In einigen Anwendungsfällen können Extraktionen ohne Training generiert und mit wenigen Trainingsdaten weiter optimiert werden
Kernfunktionen der generativen Extraktion
link- Erkennt Beziehungen – Generative Extraktion hilft, die Beziehung zwischen verschiedenen Konzepten und Datenpunkten in der Kommunikation zu identifizieren. Zum Beispiel das Ermitteln für eine Anforderung zur Änderung einer Richtlinienadresse, die Richtliniennummer der Richtlinie, die aktualisiert werden muss, die alte Adresse und die neue Adresse, auf die sie aktualisiert werden soll.
- Verwendet generative Modelle – Verwendet moderne generative Large Language Models (LLMs), um bestimmte Absichten vorherzusagen und jeden der damit verbundenen Datenpunkte zuzuordnen, wobei sie in einem strukturierten Schema für die Automatisierung extrahiert werden – und das alles mit minimalem Training.
- Automatisiert mehrere Anforderungen – Dies ermöglicht die Automatisierung mehrerer Anforderungen innerhalb einer einzigen Kommunikation – sei es dieselbe Anforderung, die für verschiedene Datenpunkte wiederholt wird, oder zahlreiche verschiedene Anforderungstypen, die jeweils ihr eigenes Schema von Datenpunkten haben, die für die automatisierte Verarbeitung erforderlich sind.
End-to-End-Prozess für die Verwendung der generativen Extraktion
linkIn den folgenden Schritten wird der End-to-End-Prozess zur Validierung von Extraktionen beschrieben. Zu den einzelnen Schritten finden Sie weitere Informationen in den nachfolgenden Abschnitten.
- Definieren Sie Ihr Extraktionsschema:
- Legen Sie fest, welche Prozesse bzw. Beschriftungen Sie automatisieren möchten und welche Datenpunkte bzw. Felder erfasst werden müssen, um eine Automatisierung zu ermöglichen
- Erstellen Sie das entsprechende Extraktionsschema.
- Extraktionen generieren:
- Durch das Generieren von Extraktionen können Sie das Suchen und Zuordnen von Daten erheblich beschleunigen. Für einige Anwendungsfälle benötigt die Plattform keine Trainingsbeispiele, um ihre Extraktionen zu generieren.
- Verwenden Sie die generativen Funktionen der Plattform, um Ihre ersten Extraktionen zu erstellen.
- Validieren und Korrigieren von Extraktionen:
- Überprüfen Sie die Extraktionen der Plattform und akzeptieren Sie sie, wenn sie korrekt sind, oder korrigieren Sie sie, wenn sie nicht korrekt sind.
- Die Plattform ist flexibel und einfach und Sie können an jedem Punkt des Trainingsprozesses neue Extraktionsschemas hinzufügen.
- Überprüfen Sie die Validierung für Extraktionen:
- Überprüfen Sie, wie gut Ihre Extraktionen auf der Registerkarte Validierung funktionieren.
- Ermitteln Sie, ob Ihre Extraktionen ein für Ihren Anwendungsfall geeignetes Leistungsniveau haben.
Funktionsweise der generativen Extraktion
linkGenerativer Extraktionsworkflow
Beim Einrichten Ihres Extraktionsschemas müssen Sie entscheiden, welche Prozesse, also welche Beschriftungen Sie automatisieren möchten.
Damit die Plattform die Beziehung zwischen dem Prozess und den zu extrahierenden Datenpunkten nachvollziehen kann, fordert die Plattform Sie auf, die entsprechenden Datenpunkte bereitzustellen. Im Abschnitt zum Konfigurieren von Feldern wird detaillierter auf Best Practices eingegangen und wie dies speziell funktioniert.
Was mit Entitäten passiert ist
linkAllgemeine Feldkonfigurationen
- Wenn Sie zuvor ab 2024.4 mit Entitäten in Communications Mining™ gearbeitet haben, Alle Ihre vorhandenen Entitäten werden automatisch zu allgemeinen Feldern übergegangen.
- Alle vorhandenen Einstellungen auf Ihren Entitäten werden zu den jeweiligen Einstellungen für das entsprechende allgemeine Feld migriert.
- Wenn Sie allgemeine Felder haben, die Sie auf Extraktionsfelder umstellen möchten, müssen Sie diese Felder als Extraktionsfelder neu erstellen und die entsprechende Anzahl von Trainingsbeispielen anwenden (falls zutreffend).
- Feldtypen haben die gleichen Namen und Konfigurationen wie die alten Entitäten, die zuvor eingerichtet wurden. Diese werden über den API-Namen zugeordnet.
Auswirkungen auf Automatisierungen
- Wenn Sie Automatisierungen haben, die frühere Entitäten verwenden, sind diese Automatisierungen nicht betroffen.
- Die Automatisierung von Prozessen mithilfe der generativen Extraktion unterscheidet sich geringfügig von der Art und Weise, wie Prozesse zuvor mithilfe von Entitäten automatisiert wurden. Weitere Informationen finden Sie im Abschnitt Automatisieren mit GenEx dieses Handbuchs.