- 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
- 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
Obwohl das Training über die Suche kein primärer Schritt in der Erkundungsphase ist, kann es in jeder Phase des Trainingsprozesses als nützliches Trainingstool dienen.
Training mit Suche auf der Seite Discover beschreibt, wie die Suchaktion sparsam verwendet werden kann. Verwenden Sie sie nicht zu oft, da sie Ihr Modell verzerren kann.
Suchen Sie im Explore auf die gleiche Weise nach Begriffen oder Ausdrücken wie in Discover.
Vergleichen mit der Suche in Explore und Discover
- In Explore müssen Sie Suchergebnisse einzeln überprüfen und mit Anmerkungen versehen, anstatt sie massenweise zu überprüfen und zu kommentieren, wie bei Discover.
- Erkunden bietet eine hilfreiche Annäherung für die Anzahl der Nachrichten, die mit Ihren Suchbegriffen übereinstimmen. Sehen Sie sich das folgende Beispiel für die Suche nach einem Abbruch an.
Suchen Sie nach einigen relevanten Begriffen oder Ausdrücken und überprüfen Sie, wie viele geschätzte Übereinstimmungen im Dataset enthalten sind. Verwenden Sie diese Option, um zu schätzen, ob Sie genügend Beispiele für eine bestimmte Bezeichnung haben.
Geben Sie Ihren Suchbegriff in das Suchfeld ein, wie in der folgenden Abbildung gezeigt:
- Wählen Sie die generische Suchempfehlung auf der Registerkarte Trainieren aus:
- Wählen Sie die Beschriftung aus der Dropdownliste für die Suche aus:
- Überprüfen Sie die LLM-basierten Beschriftungssuchvorschläge.
- Geben Sie den Suchbegriff ein und zeigen Sie eine Vorschau der Ergebnisse an, einschließlich der Anzahl der geschätzten Übereinstimmungen.
- Wählen Sie Diese Nachrichten trainieren oder nach einem anderen Begriff suchen, bevor Sie fortfahren.
Hinweis: Der Batch hat 6 Ergebnisse auf einer Seite mit ähnlichen Anmerkungen wie Discover, massenhaft und einzeln.
- Nachdem Sie die Nachrichten mit Anmerkungen versehen haben, wählen Sie Fertig. Diese Aktion zeigt ein Popup-Fenster an, in dem Sie darüber informiert werden, dass der Trainingsbatch abgeschlossen ist. Dieses Fenster enthält auch eine Zusammenfassung der Trainingsaktionen und Optionen zum Schließen oder Suchen nach Beispielen für eine andere Beschriftung, wenn die Beschriftung die Kriterien für die Suche nicht mehr erfüllt.