- 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
- Zugriffssteuerung und Administration
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen oder Löschen einer Datenquelle in der GUI
- Vorbereiten von Daten für den CSV-Upload
- Hochladen einer CSV-Datei in eine Quelle
- 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
- 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)
- Verwenden der API
- API-Tutorial
- 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
- Hochladen von Daten
- Herunterladen von Daten
- 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
- Allgemeine Feldextraktion
- Selbst gehostete Exchange-Integration
- UiPath® Automatisierungs-Framework
- 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
Bevor Sie mit dem Training Ihres Modells beginnen, lesen Sie die folgenden Tipps, um die häufigen Fallstricke zu vermeiden. Diese helfen, die Trainingszeit kürzer zu halten und die Leistung Ihres Modells zu verbessern.
- Fügen Sie alle zutreffenden Beschriftungen hinzu.
- Fügen Sie Beschriftungen konsistent hinzu.
- Beschriften Sie, was Sie vor sich sehen können.
Fügen Sie alle Beschriftungen hinzu, die für eine Nachricht gelten. Es ist eine häufige Situation, dass neue Benutzer eine Nachricht teilweise mit Anmerkungen versehen, indem sie nur das anwenden, auf das sie sich konzentrieren, und vergessen, alle anderen zutreffenden hinzuzufügen. Das Nicht-Anwenden einer Beschriftung ist so leistungsstark wie das Anwenden einer Beschriftung – Sie teilen dem Modell mit, dass die Nachricht nicht so gut ist, wie sie ist. Stellen Sie daher sicher, dass Sie alle Beschriftungen anwenden, da dies das Modell später verfälschen und möglicherweise zu einer schlechteren Leistung führen kann.
Stellen Sie sicher, dass Sie beim Hinzufügen von Beschriftungen konsistent sind. Wenn Sie beispielsweise die Beschriftung Raum > Size zu einer Nachricht hinzufügen und vergessen, sie einer anderen hinzuzufügen, in der sie hinzugefügt werden sollte, verwechseln Sie das Modell. Wie bei dem vorherigen Tipp, wenn Sie keine Beschriftung anwenden, ist diese so leistungsstark wie das Anwenden einer.
Machen Sie keine Annahmen, wenn Sie Ihr Geschäftswissen anwenden. Wenn nichts im Betreff oder Text der Nachricht angibt, dass eine Beschriftung zutreffen sollte, wenden Sie sie nicht an, oder das Modell versteht nicht, warum sie angewendet wird.
Verbringen Sie nicht zu viel Zeit mit der Entscheidung für Beschriftungsnamen
Überlegen Sie nicht zu lange über den richtigen Namen für eine Beschriftung. Sie können eine Beschriftung jederzeit während des Trainingsprozesses umbenennen.
Seien Sie beim Benennen einer Beschriftung genau
Seien Sie bei der Benennung einer Beschriftung so genau wie möglich, und halten Sie die Taxonomie zunächst so flach wie möglich. Es ist besser, mit Ihrem Beschriftungsnamen zu Beginn so spezifisch wie möglich zu sein, da Sie die Hierarchie später jederzeit ändern und neu strukturieren können.
Wenn Sie beispielsweise eine Beschriftung anwenden möchten, um die Sauberhaltung eines Raums zu beschreiben, könnten Sie Folgendes anwenden: Raum sauberkeit. Wenn Sie sich später entschieden haben, dies zu ändern und Sauberhaltung als Unterbeschriftung zu verwenden, können Sie sie umbenennen in: Raum > Sauberhaltung. An diesem Punkt sollten Sie einer Nachricht so viele Beschriftungen wie möglich hinzufügen, da Sie später jederzeit zurückgehen und zusammenführen können.