- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- 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
- Administrar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Crear un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- 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
- Preparar datos para cargar archivos .CSV
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, las entidades 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)
- Comprender el estado de tu conjunto de datos
- Mejores prácticas de entrenamiento y etiquetado de modelos
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Entrenamiento
- Introducción a 'Perfeccionar'
- 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 'Comprobar etiqueta' y 'Etiqueta perdida'
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y usar 'Reequilibrar'
- Cuándo dejar de entrenar tu modelo
- Definir y configurar tus entidades
- Comprender las entidades
- ¿Qué entidades preentrenadas están disponibles?
- Habilitar, deshabilitar, actualizar y crear entidades
- Filtrado de entidades
- Revisar y aplicar entidades
- Validación para entidades
- Mejorar el rendimiento de la entidad
- Creación de entidades regex personalizadas
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Preguntas frecuentes y más
Definir y configurar tus entidades
Es importante definir los puntos de datos clave (es decir, entidades) que desea extraer de sus datos de comunicaciones. Suelen utilizarse para facilitar la automatización posterior, pero también pueden ser útiles para el análisis, en particular para evaluar la tasa de éxito potencial y el beneficio de las oportunidades de automatización.
En última instancia, las predicciones de entidades, combinadas con las etiquetas, pueden facilitar la automatización al proporcionar los puntos de datos estructurados necesarios para completar una tarea o proceso específico. Es mucho más eficiente entrenar entidades en tu conjunto de datos junto con etiquetas, en lugar de centrarte en una y luego en la otra (es decir, entidades de entrenamiento después de entrenar una taxonomía completa de etiquetas).
Por ejemplo:
Si buscamos automatizar las solicitudes de "Cambio de dirección", se utilizaría una etiqueta para capturar el tipo de solicitud, mientras que las entidades capturarían los diversos componentes de la dirección (es decir, Línea de dirección, ciudad, código postal, etc.). Cada predicción está disponible a través de la API, lo que permite actuar sobre cada mensaje.
Una vez configurados y entrenados a un nivel adecuado de rendimiento, pueden ayudar a generar información importante sobre los tipos de solicitudes que podrían estar en el ámbito de la automatización.
Para entender cómo, sigamos con el mismo ejemplo: 'Cambio de dirección'
Hemos identificado que las solicitudes de "Cambio de dirección" son una tarea de gran volumen, transaccional y altamente manual, y queremos entender la proporción de ellas que podríamos automatizar.
Para ello, necesitamos saber que la etiqueta para identificar la solicitud puede funcionar bien. También debemos entender la proporción de solicitudes de cambio de dirección recibidas que contienen los puntos de datos necesarios (es decir, las entidades) necesarios para procesar el cambio.
En este caso, podría ser 'Línea de dirección 1', 'Pueblo/Ciudad', 'Código postal', 'Estado'. Dentro de la plataforma podemos evaluar fácilmente la proporción de solicitudes de "Cambio de dirección" que contienen todas o algunas de las entidades requeridas utilizando filtros combinados. Esto nos ayuda a comprender la proporción que podría automatizarse con éxito de extremo a extremo, y que requeriría más información o un humano en el bucle para completar.
Si el 80 % de nuestras solicitudes de cambio de dirección contienen las entidades necesarias, sabemos que es un gran candidato para la automatización. Si solo el 20 % contiene las entidades que necesitamos, esta puede ser una oportunidad menos significativa (dependiendo de los volúmenes generales).
Nota: es importante que las entidades tengan un buen rendimiento antes de evaluarlas, ya que de lo contrario la plataforma podría perder muchas solicitudes que podrían automatizarse E2E, simplemente por falta de formación.
El ejemplo anterior ilustra cómo se puede utilizar la plataforma para comprender mejor cualquier oportunidad de automatización dentro de tus canales de comunicación. Al extraer estos datos de la plataforma e introducirlos en tu proceso de oportunidades de automatización, puedes identificar y priorizar de forma efectiva las oportunidades que tienen la mayor tasa de éxito potencial y, en última instancia, el mayor ROI.
