- 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
- Preparando datos para cargar archivos .CSV
- Cargar un archivo CSV en un origen
- Cargar un archivo PST
- 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
- Etiquetas de transformación de correo electrónico
- 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
- 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
- Guía de migración: servicios web de Exchange (EWS) a la API de Microsoft 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
Auditoría de AI Trust Layer para características de IA generativa de Communications Mining: qué entradas y salidas de LLM se registran para cada característica y cómo revisar su cumplimiento.
La capacidad de Communications Mining envía las solicitudes del modelo lingüístico de gran tamaño (LLM) para sus características de IA generativa a través de UiPath AI Trust Layer™, que registra cada operación en un registro de auditoría. El registro de auditoría ofrece a los administradores visibilidad de los datos enviados a los LLM y las respuestas que devolvieron, lo que respalda los requisitos de cumplimiento, gobernanza y transparencia de datos.
Ver entradas de auditoría
Cada operación aparece en la pestaña Auditoría de la página AI Trust Layer , bajo el nombre del producto IXP , incluidas las entradas enviadas al LLM y las salidas que devolvió.
Las entradas permanecen visibles durante 60 días y puedes exportarlas para períodos de retención más largos. Para obtener más información sobre la vista de auditoría, las exportaciones y la retención, consulta Ver registros de auditoría.
Características auditadas
Las siguientes características de IA generativa se registran en el registro de auditoría, cada una con la entrada y la salida enumeradas:
| Función | Entrada auditada | Salida auditada |
|---|---|---|
| Extracción generativa | La solicitud de extracción, identificada por el ID de mensaje | La respuesta de LLM sin procesar, que contiene las predicciones devueltas para el mensaje |
| Anotación generativa | Una muestra de mensajes de las fuentes en el conjunto de datos | Las etiquetas devueltas para los mensajes de muestra |
| Etiquetas sugeridas de los clústeres | La lista de ID de mensajes en el clúster | Las etiquetas sugeridas para el clúster, con el razonamiento detrás de ellas |
| Generación de taxonomía de disparo cero (vista previa) | La lista de etiquetas sugeridas de los clústeres | El esquema de taxonomía generado |
| Filtros conversacionales (vista previa) | La solicitud del usuario | El esquema de filtro generado |
Controlar los datos auditados
Las políticas de Automation Ops para AI Trust Layer controlan cómo se manejan los datos de auditoría: puedes desactivar el guardado de entradas y salidas, o enmascarar la información de identificación personal (PII) antes de que las solicitudes lleguen al LLM. Para obtener más información, consulta Configuración de las políticas de AI Trust Layer.