- 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
 - 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
 
- 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
 - Anwenden von Beschriftungen
 - Überprüfen von Nachrichten
 - Nachrichten werden gesucht
 - Bearbeitung der Beschriftung
 
 - 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
Das Überprüfen nicht überprüfter Nachrichten und das Akzeptieren oder Ablehnen der vorhergesagten Beschriftungen der Plattform und der allgemeinen Felder trainiert das Modell und seine Genauigkeit weiter.
Sie können nicht überprüfte Nachrichten in den meisten Trainingsmodi auf den Registerkarten Erkunden und Erkennen überprüfen:
- Cluster (Erkennen)
 - Suchen (Discover und Explore)
 - Zuletzt verwendet (Explore)
 - Mischmodus (Explore)
 - Beschriftungsmodus (Explore)
 - Lehren (Erkunden)
 - Niedrige Konfidenz (Erkunden)
 
Die Opazität einer Bezeichnung zeigt die Konfidenz der Vorhersage der Plattform für diese Bezeichnung an, wobei eine höhere Opazität auf eine höhere Konfidenz hinweist.
- Beim Auswählen der Beschriftung oder des Stimmungsindikators, wenn die Stimmungsanalyse aktiviert ist, wird die Beschriftung an die Nachricht angeheftet, d. h. die Vorhersage wird bestätigt, die das Modell für diese Beschriftung macht.
 - Wenn Sie die Stimmung der vorhergesagten Beschriftung ändern möchten, wählen Sie das Gesichtsbild aus, das angezeigt wird, wenn Sie mit dem Mauszeiger über die Nachricht fahren.
 - Wenn die Vorhersage falsch ist, fügen Sie die richtige hinzu, wodurch die falschen Vorhersagen effektiv verworfen werden.
 
Um ein allgemeines Feld zu akzeptieren oder abzulehnen, führen Sie eine der folgenden Aktionen aus:
- Wählen Sie im allgemeinen Feld Bestätigen aus oder wählen Sie den Hotkey 1 aus, um ein allgemeines Feld zu bestätigen. Diese Aktion heftet das allgemeine Feld an die Nachricht an, d. h. sie bestätigt die Vorhersage, die das Modell für diese Beschriftung macht.
 - Wählen Sie im allgemeinen Feld Verwerfen aus oder wählen Sie den Hotkey 2 aus, um ein allgemeines Feld zu schließen. Diese Aktion zeigt der Plattform an, dass das vorhergesagte allgemeine Feld falsch ist.
 
Wenn Sie die Schaltfläche Allgemeines Feld ändern auswählen, können Sie ein anderes allgemeines Feld zuweisen, wenn das vorhergesagte allgemeine Feld falsch ist.
Wenn Sie diese Schaltfläche im vorherigen Beispiel auswählen, werden die anderen allgemeinen Felder in Ihrem Dataset angezeigt, die Sie zuweisen können.
In diesem Fall können Sie den Typ des allgemeinen Felds in der Dropdownliste von Kündigungsdatum zu Richtlinienstart ändern, wodurch dieses allgemeine Feld zugewiesen wird.