ai-center
latest
false
Importante :
Este contenido se ha localizado parcialmente a partir de un sistema de traducción automática.
UiPath logo, featuring letters U and I in white
AI Center
Automation CloudAutomation SuiteStandalone
Last updated 19 de nov. de 2024

Enviar un correo electrónico a AI

Plantillas de soluciones de IA > IA en el correo electrónico

Nota:

La solución Email AI Template se encuentra actualmente en vista previa pública.

UiPath se compromete a mantener la estabilidad y la calidad de sus productos, pero las características de la vista previa están siempre sujetas a cambios basados en los comentarios que recibimos de nuestros clientes. No se recomienda utilizar las funciones de vista previa para las implementaciones de producción.

La solución Email AI Template sigue siendo compatible para los usuarios habituales, aunque para casos de uso más complejos se recomienda encarecidamente la solución Communications Mining. Para obtener más información sobre Communications Mining, consulta la documentación oficial.

Información general

Para descubrir más sobre IA en el correo electrónico, ve este vídeo.

Beneficios

Esta plantilla proporciona una fórmula para crear tu propia solución de IA en el correo electrónico. La plantilla contribuye a lograr los siguientes objetivos:

  1. Detectar la intención de organizar y redireccionar los correos electrónicos a diferentes departamentos.
  2. Descubrir los correos electrónicos urgentes y más importantes en función de las necesidades y razones sentimentales de la empresa.
  3. Extraer entidades para ejecutar flujos de trabajo de entrada de datos y escala.
  4. Mostrar el impacto de la automatización mejorada con IA en el panel Insights.

Contenido de la plantilla

Para lograr los cuatro objetivos anteriores, esta plantilla agrupa lo siguiente en un solo archivo zip denominado EmailAI.zip, que puede descargarse desde aquí:
  • Machine Learning (ML) Models (available in UiPath® AI Center)
  • Conjuntos de datos de muestra (en las carpetas classification_data y ner_data),
  • Flujos de trabajo de muestra (en las carpetas SMA_SmartMailAutomation y NER_Validation_Station),
  • Análisis estándar
  • Participación humana y aprendizaje continuo de modelos ML,
  • Archivo de configuración (Config.xlsx).

Modelos de aprendizaje automático

Conjuntos de datos de muestra

Los conjuntos de datos de muestra se utilizan para probar de forma rápida los modelos y crear conjuntos de datos adicionales específicos para tu caso de uso.

El paquete de plantillas de IA en el correo electrónico contiene dos conjuntos de datos de muestra.

  • Conjunto de muestra de datos de correos electrónicos etiquetados para el modelo de clasificación de texto multilingüe (Email_Classification_data.csv); esta muestra se utiliza para clasificar correos electrónicos entre las siguientes clases:
    • Problemas de transacción
    • Problemas relacionados con préstamos
    • Problemas de desinformación o aclaración
  • Conjunto de datos de correo electrónico etiquetados para el modelo NER personalizado (Email_NER_data.txt) en el que se etiquetan las siguientes entidades:
    • ID
    • PER
    • ORG
    • Importe

Sample workflows

Los flujos de trabajo de muestra se utilizan para ejecutar los modelos en los flujos de trabajo prediseñados con el fin de comprobar la potencia de la IA, conservar el conjunto de datos adicionales y personalizar los flujos de trabajo, si es necesario.

Flujo de trabajo empresarial de muestra

La automatización se encarga en primer lugar de leer todos los correos electrónicos de una carpeta y de limpiar los datos. El flujo de trabajo está configurado para leer los correos electrónicos de un archivo CSV o de una carpeta de Outlook, aunque puede ampliarse para que se active con los nuevos correos electrónicos entrantes. Tras leer los nuevos mensajes, la automatización predice la intención, las entidades y el sentimiento, y asigna el correo electrónico a la pregunta en el banco de conocimientos (suministrado en la carpeta faq_data al flujo de trabajo). Las predicciones de escasa confianza van a Action Center y luego, al conjunto de datos de AI Center.

En función de la predicción, existen tres escenarios posibles:

Problema relacionado con préstamos: introducción de datos en el archivo CSV y priorización de los correos electrónicos con un préstamo superior a 10 000 euros.

Problema de la transacción: introducción de datos en el archivo CSV y priorización de los mensajes de correo electrónico con un valor de transacción superior a 10 000 euros.

Problema de desinformación o aclaración: extracción de la respuesta de la base de conocimientos para la pregunta asignada.

Este flujo de trabajo de ejecución también es responsable de la creación de registros que pueden utilizar las consultas del panel Insights.

Una vez realizada la predicción, se crea una respuesta de muestra para responder a los correos electrónicos entrantes. La respuesta de muestra también se puede configurar en el archivo Config.xlsx.

Análisis estándar

El aspecto de la información de la versión demo de Insights es similar al de la siguiente captura de pantalla:



Los paneles Insights para IA en el correo electrónico se componen de los siguientes widgets:

Nombre del widgetTipo de widgetDescripción
Número de correos electrónicos procesadosEntradaMuestra el total acumulado de todos los correos electrónicos procesados hasta la fecha.
Distribución de la automatizaciónGráfico circularPorcentaje de automatización utilizado, distribuido en:
  • Automatizado
  • Corregido por humano
  • Transferido a humano
Distribución de los intentosGráfico circularPorcentaje de intentos utilizados, distribuido en:
  • Problema de la transacción
  • Solicitud de información
  • Problema relacionado con préstamos
  • Corregido por humano
  • Transferido a humano
Distribución de las entidadesGráfico circularPorcentaje de entidades utilizadas, distribuido en:
  • Fecha
  • Persona
  • Importe
  • ID
  • Organización
  • Corregido por humano
  • Transferido a humano
Distribución de los sentimientosGráfico circularPorcentaje de los sentimientos utilizados, distribuido en:
  • Transferido a humano
  • Corregido por humano
  • Negativo
  • Neutro
  • Positivo
  • Muy negativo
  • Muy positivo
Distribución de las preguntas más frecuentesGráfico circularPorcentaje de uso de cada una de las preguntas más frecuentes recibidas.

Human in the loop y aprendizaje continuo

El flujo de trabajo empresarial de muestra proporcionado envía los datos de escasa confianza a Action Center para su validación humana y, a continuación, a AI Center. En el caso del modelo NER personalizado, se proporciona el flujo de trabajo NER_Validation_Station, que puede utilizarse para validar las entidades personalizadas y, a continuación, enviar los datos a AI Center.

Configurar IA en el correo electrónico

 Descripción
Paso 1: entrenar e implementar habilidades ML Es necesario entrenar e implementar las siguientes habilidades ML:
Paso 2: convertir en públicas todas las habilidades ML y copiar la URL y la clave API Copia la URL y las claves API de las habilidades ML implementadas.
Paso 3: utilizar el flujo de trabajo SMA_SmartAutomationMail y configurar las variables de entorno El flujo de trabajo está listo para ejecutarse con las configuraciones necesarias proporcionadas.
Paso 4: ir al panel Insights y realizar las consultas Configura las siguientes consultas en el panel Insights:
  • Próxima incorporación.
  • Próxima incorporación.
  • Próxima incorporación.
Paso 5: configurar la participación humana en NER Tras ejecutar el flujo de trabajo de ejecución, los datos de escasa confianza del modelo NER personalizado se recopilan en la subcarpeta training_data de la carpeta NER_Validation_Station. Ejecuta el flujo de trabajo en ella para validar los datos y cambiarlos, si es necesario. Ahora estos datos se pueden cargar manualmente en AI Center o se puede configurar la estación de validación para cargar los datos en la carpeta de conjuntos de datos de AI Center.
Paso 6: ampliar la IA en el correo electrónico según tus necesidades Ahora que hemos visto cómo la IA en el correo electrónico puede automatizar tu bandeja de entrada, es el momento de examinar las bandejas de entrada comunes de tu empresa y ampliar esta plantilla de solución a una solución.

Paso 1: entrenar e implementar habilidades ML

  1. Entrena el modelo del Conjunto de datos de clasificación de texto e impleméntalo como Habilidad ML.
  2. Entrena el modelo del Conjunto de datos NER e impleméntalo como Habilidad ML.
  3. Implementa el modelo de similitud semántica como habilidad ML.
  4. Implementa el modelo de análisis de sentimiento como habilidad ML.

Paso 2: convertir en públicas todas las habilidades ML y copiar la URL y la clave API

Para obtener más información sobre cómo hacer públicas las habilidades ML y generar una URL y una Clave API, consulta Gestionar habilidades ML.

Paso 3: configurar la versión demo de IA en el correo electrónico

  1. Configura la URL y las claves de la API para la carpeta de las Habilidades ML y del Conjunto de datos en la hoja ML Config de Config.xlsx.
  2. Configura los siguientes parámetros:
    1. UnreadLocalMailFolder a la carpeta demo_emails.
    2. OrchestratorFolderPath a una carpeta en tu Orchestrator.
    3. FAQDataPath a una carpeta faq_data.
  3. En el flujo de trabajo, establece el argumento ConfigFilePath en el archivo Config.xlsx proporcionado.
  4. Ejecuta el flujo de trabajo, ve a Action Center cuando el flujo de trabajo se detenga para validar los datos.

Paso 4: ir al panel Insights y realizar las consultas

Esta información se incluirá en breve. De momento, omite este paso.

Paso 5: configurar la participación humana

  1. Abre el flujo de trabajo de la carpeta NER_Validation_Station.
  2. Desde Gestionar paquetes, añade la dependencia UiPathTeam.CustomNER.Activities.1.0.0.nupkg encontrada a la carpeta NER_Validation_Station.
  3. Establece la variable de entorno de configuración en la ruta del archivo Config.xlsx que se encuentra en la carpeta externa.
  4. Validar los datos y edítalos cuando sea necesario.
  5. Los datos se guardarán en la carpeta de AI Center configurada en Config.xlsx.

Paso 6: ampliar la IA en el correo electrónico según tus necesidades

La plantilla de la solución IA en el correo electrónico puede configurarse de acuerdo con las necesidades de tu proyecto. Para ello, puedes modificar los parámetros de configuración en el archivo Config.xlsx.

Al realizar el entrenamiento con tus propios datos, asegúrate de configurar al menos los siguientes parámetros de configuración:

  1. Clasificaciones
  2. NamedEntities
  3. SoloSimilaridadSemánticaSiTipo
  4. UrgencyEntityType
    Por último, para ampliar NER_Validation_Station a nuevos flujos de trabajo, actualiza el archivo taxonomy.json en la subcarpeta DocumentProcessing de la carpeta NER_Validation_Station.

¿Te ha resultado útil esta página?

Obtén la ayuda que necesitas
RPA para el aprendizaje - Cursos de automatización
Foro de la comunidad UiPath
Uipath Logo White
Confianza y seguridad
© 2005-2024 UiPath. Todos los derechos reservados.