- 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
Beschriftungen (Vorhersagen, Konfidenzniveaus, Beschriftungshierarchie und Beschriftungsstimmung)
linkEine Beschriftung ist eine strukturierte Zusammenfassung einer Absicht oder eines Konzepts, die in einer Nachricht zum Ausdruck kommt . Mehrere Beschriftungen fassen oft eine Nachricht zusammen, was bedeutet, dass eine Beschriftung keine sich gegenseitig ausschließende Klassifizierung der Nachricht ist.
In einem Dataset, das die Kundenerfahrung überwacht, können wir beispielsweise eine Beschriftung namens Benachrichtigung über falsche Rechnungen erstellen, die beschreibt, wie ein Kunde das Unternehmen darüber informiert, dass er eine Rechnung erhalten hat, die seiner Meinung nach falsch ist.
Aktionen zum Erstellen und Bearbeiten von Beschriftungen werden hauptsächlich auf den Seiten Erkunden und Entdecken ausgeführt.
Vergleich von angeheftet und vorhergesagt
linkSie erstellen zunächst Beschriftungen, indem Sie eine auf eine relevante Nachricht anwenden. Sie können sie weiter anwenden, um Trainingsbeispiele für das Modell zu erstellen, und die Plattform beginnt dann, automatisch die Beschriftung im Dataset vorherzusagen, in der sie relevant ist.
Eine Beschriftung, die Sie auf eine Nachricht angewendet haben, gilt als angeheftet, während die Beschriftungen, die die Plattform Nachrichten zuweist, als Beschriftungsvorhersagen bezeichnet werden.
Informationen zu überprüften und nicht überprüften Nachrichten finden Sie unter Nachrichten mit und ohne Anmerkungen.
Konfidenzniveaus
link%
für diese Beschriftungsvorhersage bereitgestellt. Je höher die Konfidenzstufe, desto zuversichtlicher ist die Plattform, dass die Beschriftung zutrifft.
Die Konfidenzstufe der Plattform in den vorhergesagten Beschriftungen schattiert die Beschriftungen. Je undurchsichtiger die Beschriftung ist, desto höher ist die Konfidenz der Plattform, dass die Beschriftung zutrifft.
Bezeichnungshierarchie
linkSie können Beschriftungen in einer hierarchischen Struktur organisieren, um neue Konzepte schneller zu organisieren und zu trainieren.
Diese Hierarchie kann das folgende Format haben: [Übergeordnete Beschriftung] > [Beschriftung der Verzweigung 1] > [Beschriftung der Verzweigung n] > [Untergeordnete Beschriftung]
>
getrennt werden und Teilmengen der vorherigen Beschriftungen in der Hierarchie bilden.
Jedes Mal, wenn eine untergeordnete Beschriftung oder Verzweigungsbeschriftung angeheftet oder vorhergesagt wird, betrachtet das Modell die vorherigen Ebenen in der Hierarchie ebenfalls als angeheftet oder vorhergesagt. Vorhersagen für übergeordnete Beschriftungen haben in der Regel höhere Konfidenzniveaus als die niedrigeren Ebenen der Hierarchie, da sie oft leichter zu identifizieren sind.
Weitere Informationen zu Beschriftungshierarchien finden Sie unter Taxonomien.
Beschriftungsstimmung
linkBei Datasets mit aktivierter Stimmungsanalyse zeigt eine grüne oder rote Farbe eine positive oder negative Stimmung für jede Beschriftung an, sowohl angeheftet als auch vorhergesagt.
Verschiedene Ebenen einer Beschriftungshierarchie können unterschiedliche Stimmungsvorhersagen haben. Zum Beispiel kann eine Bewertung für eine Eigenschaft insgesamt positiv sein, aber die Eigenschaft > den Standort negativ sein.