- 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
verbatim(s) wurden in Nachrichten geändert.
Eine Nachricht ist das, was wir eine einzelne Einheit der Freitextkommunikation nennen, z. B. eine E-Mail, eine Umfrageantwort, eine Notiz, einen Chat oder ein Transkript eines Anrufs. Nachrichten werden in Quellen gruppiert.
Die folgende Abbildung enthält ein Beispiel dafür, wie eine Nachricht auf der Seite „Explore“ der Benutzeroberfläche angezeigt wird.
Jeder Nachricht sind Metadaten zugeordnet, die aus strukturierten Datenpunkten bestehen, die zusätzliche Informationen über die Kommunikation oder Konversation und ihre Teilnehmer bereitstellen.
Alle Nachrichten müssen über einen zugehörigen Zeitstempel verfügen, der in der Regel dem Zeitpunkt entspricht, zu dem diese Nachricht ursprünglich erstellt wurde.
Zusätzlich zu Zeitstempeln speichert die Plattform in der Regel zusätzliche Metadaten, die mit jeder Nachricht verknüpft sind. Typische Beispiele für Metadatenfelder sind:
- Name und Kontaktdaten der Nachrichtenteilnehmer.
- Absender- und Empfängerdomänen für E-Mails.
- Anzahl der Nachrichten in einer Chatkonversation oder Anzahl der E-Mails in einem Thread.
- Demografische Daten wie Geschlecht, Alter, Land usw.
- Ein quantitatives Maß für die Kundenzufriedenheit mit der Interaktion, z. B. Net Promoter Score (NPS), Customer Satisfaction Score (CSAT) usw.
- Bei Telefonanrufen das Rohaudio, das von der Plattform zum Transkription verwendet wurde.
- Drittanbieter-IDs, die verwendet werden, wenn die Nachrichten aus einem anderen System importiert werden, z. B. die E-Mail-Nachrichten-ID von einem Exchange-Server.
Einige Datasets können Nachrichten mit PII ( persönlich identifizierbare Informationen) in ihren Metadaten enthalten, z. B. userId. Daher können Sie diese Felder als vertraulich markieren. Wenn Sie diese Felder als vertraulich markieren, sind erweiterte Benutzerberechtigungen erforderlich, um diese Metadaten anzuzeigen .
Umfangreiche Nachrichtenmetadaten ermöglichen es Benutzern, ihre Daten innerhalb der Plattform besser zu trainieren und zu analysieren, da Benutzer auf der Seite „ Erkunden“ und „Berichte“ nach Metadatenfeldern filtern können.
