- 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
- 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)
- 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
In diesem Abschnitt wird erläutert, wie Sie Feldvorhersagen für Ihre Extraktionen validieren können.
Es gibt folgende Extraktionstypen:
- Generierte Extraktionen – Das Modell sagt Extraktionen basierend auf der von Ihnen bereitgestellten Eingabe vorher, d. h. der Beschriftungen und Anmerkungen, wenn Sie Extraktionen vorhersagen auswählen.
- Manuell erstellte Extraktionen – Sie können Extraktionsfelder für eine bestimmte Beschriftung erstellen, wenn das Modell dies nicht bereits vorhergesagt hat.
Stellen Sie sicher, dass Sie genügend Beispiele angeben, damit das Modell Validierungsstatistiken zurückgeben kann. Anhand der Validierungsstatistiken können Sie die Leistung Ihrer Extraktionen verstehen. Darüber hinaus können Sie Ihre Extraktionen feinabstimmen.
Durch die Feinabstimmung können Sie die gesammelten Anmerkungen verwenden, um die Leistung des Extraktionsmodells zu verbessern. Sie können damit auch das sofort einsatzbereite Modell verwenden und die Leistung für Ihre Anwendungsfälle verbessern.
- Sie können entscheiden, wann Sie das Training von Beschriftungen beenden möchten
- Extraktionen haben je nach Anwendungsfall unterschiedliche Leistungsanforderungen.
Überprüfen Sie die Extraktionsergebnisse und können Sie je nach Fall aus den folgenden Aktionen wählen:
- Akzeptieren Sie die Extraktionen, wenn sie alle korrekt sind.
- Korrigieren Sie die Extraktionen, wenn falsche Vorhersagen vorliegen.
- Markieren Sie Extraktionen als fehlend, wenn sie nicht in der Nachricht vorhanden sind.
- Konfigurieren Sie alle zusätzlichen Felder, falls welche fehlen, die für die Aktivierung der End-to-End-Automatisierung erforderlich sind.
Beenden Sie, sobald Sie mindestens 25 Beispiele für Beschriftungen für das Modell zur Verwendung in seinem Validierungsprozess angeben. Überprüfen Sie die Validierung und stellen Sie fest, ob die Leistung ausreichend ist oder ob weitere Beispiele erforderlich sind.
Überblick
# | Beschreibung |
1 | Wenn alle Feldvorhersagen korrekt sind, wählen Sie Alle bestätigen aus, um in einem Massenvorgang zu überprüfen, ob die Anmerkungen korrekt sind. |
2 | Um neue Extraktionsfelder hinzuzufügen, wählen Sie die Plus-Schaltfläche neben allgemeinen Feldern oder neben einem der Extraktionsfelder aus. Um vorhandene Felder zu bearbeiten, wählen Sie die drei vertikalen Punkte neben Allgemeine Felder oder neben einem der Extraktionsfelder aus. |
3 | Wenn Sie im Seitenbereich das Kontrollkästchen neben den vorhergesagten Extraktionen aktivieren, bestätigen Sie, dass eine Feldanmerkung auf Extraktionsebene korrekt ist. |
4 | Unter jedem Feld finden Sie den Datenpunkt, der vom Modell vorhergesagt wurde.
Wenn die Vorhersage falsch ist, wählen Sie die Schaltfläche x aus, um das Feld mit der richtigen Vorhersage anzupassen. |
5 | Die vorhergesagten Datenpunkte werden in der ursprünglichen Nachricht markiert.
|
6 | Um Felder hinzuzufügen oder zu ändern, zeigen Sie mit dem Mauszeiger auf die Schaltfläche + auf dem jeweiligen allgemeinen Feld- oder Extraktionsfeldabschnitt. |
7 | Um die Felder zu erweitern, die für allgemeine Felder oder bestimmte Extraktionsfelder angezeigt werden, wählen Sie die Dropdown-Schaltfläche aus. |
Validieren von Extraktionen
- Wählen Sie Erkunden neben einem Dataset aus, um auf das jeweilige Dataset zuzugreifen.
- Wählen Sie auf der Registerkarte Erkunden die Option Felder mit Anmerkungen versehen aus.
- Wählen Sie im Seitenbereich die Schaltfläche Extraktionen vorhersagen aus.
- Im gleichen Seitenbereich werden übereinstimmende Indikatoren, die durch einen roten oder grünen Kreis gekennzeichnet sind, neben den Modellvorhersagen angezeigt.
Hinweis: Übereinstimmungsindikatoren zeigen, ob Modellvorhersagen mit den Anmerkungen übereinstimmen, die Sie für die Extraktionsfelder vorgenommen haben. Die Indikatoren werden in der Benutzeroberfläche durch einen roten oder grünen Kreis auf Extraktionsfeld- und Extraktionsebene gekennzeichnet. Falls die Werte nicht übereinstimmen, stimmen die Werte entweder nicht überein oder fehlen. Sie können die neuesten Modellvorhersagen erneut ausführen, um zu bestätigen, dass sie mit den angegebenen Anmerkungen übereinstimmen.Die Status, die von den übereinstimmenden Indikatoren zurückgegeben werden können, sind:
- Grün – Vorhersagen stimmen mit den Anmerkungen überein. Ist auf Extraktionsebene nur sichtbar, wenn alle Extraktionsfelder über grüne Markierungen verfügen.
- Rot – Entweder stimmen die Vorhersagen nicht mit den Anmerkungen überein, oder bei einer Vorhersage fehlt eine Anmerkung. Ist auf Extraktionsebene sichtbar, wenn eines der Felder in der Extraktion einen roten Indikator hat.
Unbestätigte Statusextraktion
Die folgende Abbildung zeigt, wie eine Extraktion im unbestätigten Status aussieht. Im rechten Bereich wird die Extraktion als nicht bestätigt markiert und die Hervorhebung des Texts selbst hat eine hellere Farbe.
Bestätigte Statusextraktion
Die folgende Abbildung zeigt, wie Felder im bestätigten Status aussehen. Im rechten Bereich wird die Extraktion als Bestätigt markiert und die Hervorhebung des Texts selbst hat eine dunklere Farbe.
Extraktionen validieren Sie auf der Registerkarte Trainieren auf ähnliche Weise wie auf der Registerkarte Erkunden .
Führen Sie die folgenden Schritte aus, um Ihre Extraktionen zu validieren:
- Wählen Sie Trainieren neben einem Dataset aus, um auf dieses bestimmte Dataset zuzugreifen.
- Wählen Sie auf der Registerkarte Trainieren die Option Extractions aus.
- Wählen Sie die Beschriftungsextraktion aus, die Sie validieren möchten.
- Bestätigen Sie, ob die angezeigte Nachricht ein anwendbares Beispiel für die Beschriftung ist.
- Nachdem Sie alle anwendbaren Beschriftungen angewendet haben, wählen Sie Weiter: Felder mit Anmerkungen versehen aus.
- Auf der folgenden Seite werden neben den Modellvorhersagen übereinstimmende Indikatoren angezeigt, die durch einen roten oder grünen Kreis gekennzeichnet sind.
Hinweis: Übereinstimmungsindikatoren zeigen, ob Modellvorhersagen mit den Anmerkungen übereinstimmen, die Sie für die Extraktionsfelder vorgenommen haben. Die Indikatoren werden in der Benutzeroberfläche durch einen roten oder grünen Kreis auf Extraktionsfeld- und Extraktionsebene gekennzeichnet. Falls die Werte nicht übereinstimmen, werden Sie feststellen, dass die Werte entweder nicht übereinstimmen oder fehlen. Sie können die neuesten Modellvorhersagen erneut ausführen, um zu bestätigen, dass sie mit den angegebenen Anmerkungen übereinstimmen.Die Status, die von den übereinstimmenden Indikatoren zurückgegeben werden können, sind:
- Grün – Vorhersagen stimmen mit den Anmerkungen überein. Ist auf Extraktionsebene nur sichtbar, wenn alle Extraktionsfelder über grüne Markierungen verfügen.
- Rot – Entweder stimmen die Vorhersagen nicht mit den Anmerkungen überein, oder bei einer Vorhersage fehlt eine Anmerkung. Ist auf Extraktionsebene sichtbar, wenn eines der Felder in der Extraktion einen roten Indikator hat.
- Wählen Sie Alle bestätigen und weiter aus , um die nächste Nachricht anzuzeigen, die automatisch mit Anmerkungen versehen werden soll.