- Introducción
- Configuración de su cuenta
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- Campos generales
- Etiquetas (predicciones, niveles de confianza, jerarquía de etiquetas y sentimiento de etiqueta)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes anotados y no anotados
- Campos extraídos
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Control y administración de acceso
- Gestionar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Crear o eliminar un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- Preparando datos para cargar archivos .CSV
- Crear un conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración del conjunto de datos
- Eliminar un mensaje
- Eliminar un conjunto de datos
- Exportar un conjunto de datos
- Utilizar integraciones de Exchange
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, los campos generales y los metadatos
- Jerarquía de etiquetas y mejores prácticas
- Comparar casos de uso de análisis y automatización
- Convertir tus objetivos en etiquetas
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa
- 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
- Razones para etiquetar 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
- Anclar y etiquetar una versión del modelo
- Eliminar un modelo anclado
- Añadir nuevas etiquetas a las taxonomías existentes
- Mantener un modelo en producción
- Reversión del modelo
- Uso de campos generales
- Extracción generativa
- Uso de análisis y supervisión
- Automations and Communications Mining™
- Desarrollador
- Uso de la API
- Tutorial de la API
- Fuentes
- Conjuntos de datos
- Comentarios
- Archivos adjuntos
- Predictions
- Crear una transmisión
- Actualizar una transmisión
- Obtener una transmisión por nombre
- Obtener todas las transmisiones
- Eliminar una transmisión
- Obtener resultados de la transmisión
- Obtener comentarios de una transmisión (heredado)
- Avanzar una transmisión
- Restablecer una transmisión
- Etiquetar una excepción
- Desetiquetar una excepción
- Eventos de auditoría
- Obtener todos los usuarios
- Cargar datos
- Descargando datos
- Integración de Exchange con el usuario del servicio de Azure
- Integración de Exchange con la autenticación de aplicaciones de Azure
- Integración de Exchange con Azure Application Authentication y Graph
- Obtener datos para Tableau con Python
- Integración de Elasticsearch
- Extracción de campos general
- Integración de Exchange autohospedado
- Marco de automatización de UiPath®
- Actividades oficiales de UiPath®
- Cómo aprenden las máquinas a entender palabras: una guía para las incrustaciones en PNL
- Aprendizaje basado en solicitudes con Transformers
- Efficient Transformers II: destilación de conocimientos y ajuste
- Transformadores eficientes I: mecanismos de atención
- Modelado de intenciones jerárquico profundo no supervisado: obtener valor sin datos de entrenamiento
- Corregir el sesgo de anotación con Communications Mining™
- Aprendizaje activo: mejores modelos ML en menos tiempo
- Todo está en los números: evaluar el rendimiento del modelo con métricas
- Por qué es importante la validación del modelo
- Comparación de Communications Mining™ y Google AutoML para la inteligencia de datos conversacional
- Licencia
- Preguntas frecuentes y más

Guía del usuario de Communications Mining
Si tienes una taxonomía madura preexistente, con muchos mensajes revisados, añadir una nueva etiqueta requiere un entrenamiento adicional para alinearla con el resto de etiquetas de la taxonomía.
Al añadir una nueva etiqueta a una taxonomía bien entrenada, asegúrate de aplicarla a los mensajes revisados previamente si la etiqueta es relevante para ellos. De lo contrario, se habrá enseñado al modelo que la nueva etiqueta no debe aplicarse a ellos y tendrá dificultades para predecir la nueva etiqueta con confianza.
Cuantos más ejemplos revisados haya en el conjunto de datos, más entrenamiento requerirá esto al añadir una nueva etiqueta. Esto es así, a menos que se trate de un concepto completamente nuevo que no encontrarás en datos más antiguos, pero sí en datos mucho más recientes.
- Crea la nueva etiqueta cuando encuentres un ejemplo en el que deba aplicarse.
-
Selecciona Etiqueta perdida para encontrar más mensajes en los que la plataforma determina que debería haberse aplicado la nueva etiqueta. Para obtener más información, consulta Buscar mensajes con una etiqueta Perdidos.
- Una vez que el modelo haya tenido tiempo de volver a entrenarse y calcular las nuevas estadísticas de validación, comprueba el rendimiento de la nueva etiqueta en la página Validación .
- Marque si se requiere más formación.
- Busca términos o frases clave utilizando la función de búsqueda en Descubrir para encontrar instancias similares. De esta manera, se aplica la etiqueta en masa si hay muchos ejemplos similares en los resultados de búsqueda.
- Como alternativa al primer paso, busca términos o frases clave en Explorar. Este es potencialmente un mejor método, ya que puedes filtrar a Mensajes revisados , y la búsqueda en Explorar devuelve un recuento aproximado del número de mensajes que coinciden con tus términos de búsqueda.
- Selecciona las etiquetas que creas que pueden aparecer a menudo junto a tu nueva etiqueta y revisa los ejemplos anclados para esa etiqueta para encontrar ejemplos en los que se debe aplicar tu nueva etiqueta.
- Una vez que tengas algunos ejemplos anclados, comprueba si comienza a predecirse en el modo Etiqueta . Si es así, añade más ejemplos utilizando este modo.
- Si estás anotando en un conjunto de datos habilitado para sentimiento, y tu nueva etiqueta es positiva o negativa, también puedes elegir entre sentimiento positivo y negativo al comprobar los ejemplos revisados. Aunque no se puede combinar la búsqueda de texto con los filtros Revisado y Sentimiento .
- Una vez que hayas anotado bastantes ejemplos utilizando los métodos anteriores y el modelo haya tenido tiempo de volver a entrenarse, utiliza la funcionalidad Etiqueta perdida en Explorar seleccionando tu etiqueta y luego selecciona Etiqueta perdida en el menú desplegable.
- Esto le mostrará los mensajes revisados en los que el modelo determina que la etiqueta seleccionada puede haberse omitido en los ejemplos revisados anteriormente.
- En estos casos, el modelo mostrará la etiqueta como una sugerencia como se muestra en la imagen de ejemplo.
- Aplica la etiqueta a todos los mensajes a los que el modelo cree correctamente que debería haberse aplicado la etiqueta.
- Sigue entrenando en esta página hasta que hayas anotado todos los ejemplos correctos, y este modo ya no muestra ejemplos en los que la etiqueta debería aplicarse realmente.