- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- Campos generales (anteriormente entidades)
- Etiquetas (predicciones, niveles de confianza, jerarquía, etc.)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes revisados y no revisados
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Administración
- Gestionar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Create or delete a data source in the GUI
- Cargar un archivo CSV en un origen
- Preparando datos para cargar archivos .CSV
- Crear un nuevo conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración de un conjunto de datos
- Eliminar mensajes a través de la IU
- Eliminar un conjunto de datos
- Exportar un conjunto de datos
- Uso de integraciones de Exchange
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, los campos generales y los metadatos
- Jerarquía de etiquetas y mejores prácticas
- Definición de los objetivos de taxonomía
- Casos de uso de análisis frente a automatización
- Convertir tus objetivos en etiquetas
- Crear tu estructura de taxonomía
- Mejores prácticas de diseño de taxonomía
- Importar tu taxonomía
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa (NUEVO)
- Estado de Dastaset
- Entrenamiento de modelos y mejores prácticas de anotación
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Comprender los requisitos de datos
- Entrenamiento
- Introducción a Refinar
- Explicación de la precisión y la recuperación
- Precisión y recuperación
- ¿Cómo funciona la validación?
- Comprender y mejorar el rendimiento del modelo
- ¿Por qué una etiqueta puede tener una precisión media baja?
- Entrenamiento utilizando la etiqueta Comprobar y la etiqueta Perdida
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y utilizar Reequilibrar
- Cuándo dejar de entrenar tu modelo
- Uso de campos generales
- Extracción generativa
- Información general
- LLM de CommPath frente a LLM de vista previa
- Filtrado de tipo de campo de extracción
- Generar tus extracciones
- Validar y anotar las extracciones generadas
- Mejores prácticas y consideraciones
- Comprender la validación de las extracciones y el rendimiento de las extracciones
- Preguntas frecuentes
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Información de licencia
- Preguntas frecuentes y más
Guía de usuario de Communications Mining
LLM de CommPath frente a LLM de vista previa
- LLM de CommPath
- Vista previa de LLM
A continuación se muestra un resumen de algunas de las consideraciones a la hora de decidir qué LLM utilizar. Si tu caso de uso requiere extraer más de 30 campos por mensaje, actualmente recomendamos utilizar el LLM de vista previa.
- Aprovecha el LLM patentado de UiPath®, ajustado para datos de comunicaciones.
- Actualmente limitado a extraer aprox. 30 campos por mensaje.
- Menos latencia que la versión preliminar de LLM.
- Puede ajustarse en función de sus datos.
- Improving performance for CommPath, both in terms of the number of fields which can be extracted and the inference speed for the model is a high priority.
- Provides specific occurrence confidences (check the Automating with GenEx section for more details) compared to the Preview LLM.
- Aprovecha el modelo GPT de Azure OpenAI como LLM subyacente.
- UiPath® no puede garantizar el tiempo de actividad, ya que depende completamente de los puntos finales de Azure OpenAI. Si los puntos finales están inactivos o sobrecargados, UiPath® no puede garantizar la disponibilidad.
- Puedes extraer más de 30 campos por mensaje.
- Mayor cantidad de latencia en comparación con CommPath LLM.
- Limitado al aprendizaje en contexto.
Nota: Cuando se utiliza el aprendizaje en contexto, la plataforma solo puede aprender de lo que le indiques. Communications Mining puede refinar automáticamente la solicitud hasta cierto punto, pero el modelo no aprende de ninguna validación dirigida por el usuario.
Utiliza los ajustes que se ilustran a continuación para seleccionar qué LLM quieres utilizar para la extracción generativa.
CommPath LLM está habilitado de forma predeterminada. Para habilitar la vista previa de LLM, se requieren los conmutadores de la siguiente imagen.
Si la opción Usar modelo de extracción generativa de vista previa está desactivada, significa que estás utilizando el CommPath LLM.
Tener las opciones Usar características de IA generativa y Usar modelo de extracción generativa de vista previa activadas significa que la plataforma utiliza el punto final de UiPath® Azure OpenAI en el proceso de extracción.
- Comience a entrenar sus extracciones con CommPath LLM.
- Si las extracciones se extraen correctamente, continúa entrenando las extracciones utilizando el CommPath LLM. Si no es así, debido al gran número de campos o tablas grandes en cada mensaje, cambia a la vista previa de LLM.
Para determinar si tus extracciones predicen correctamente, comprueba las estadísticas de validación en la pestaña Extracción generativa , en la página Validación . Si la precisión y la recuperación de las extracciones son adecuadas para tu caso de uso, continúa utilizando el CommPath LLM.
Si algún punto de datos no se extrae como se esperaba con CommPath LLM:
- Ancla la versión actual del modelo yendo a modelos y selecciona anclar en la versión más reciente del modelo.
- Póngase en contacto con su representante de UiPath® y tome nota de la versión del modelo en la que las extracciones no funcionaban bien. Su representante de UiPath® trabajará directamente con el equipo de productos de Communications Mining para investigar e implementar mejoras.
- Si utilizas el LLM de vista previa, continúa entrenando tu modelo de la misma manera que entrenaste el LLM de CommPath. Revísalo y proporciona ejemplos correctos para cada una de tus extracciones.