- 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
- 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
- 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
Descarga por lotes
La CLI te permite descargar comentarios y predicciones por lotes. Esto es más útil para importar scripts en herramientas de análisis que no requieren una conexión en vivo.
Esta sección asume que ya has instalado y configurado CLI.
Descargar comentarios con predicciones
El siguiente comando descargará todos los comentarios y predicciones en el origen y el conjunto de datos especificados. Ten en cuenta que el nombre del conjunto de datos y el nombre de la fuente deben ir precedidos del nombre del proyecto en el que se encuentran. Si el conjunto de datos contiene varios orígenes, debes emitir este comando para cada origen para descargar todos los comentarios del conjunto de datos.
re get comments project/source-name --dataset project/dataset-name --predictions=true -f output.jsonl
re get comments project/source-name --dataset project/dataset-name --predictions=true -f output.jsonl
¿Qué versión del modelo utiliza la CLI para obtener predicciones?
La CLI descargará las últimas predicciones calculadas disponibles. Estas son las mismas predicciones que se muestran en la IU.
Si necesitas predicciones de una versión específica del modelo, considera utilizar losflujos o las rutas de la API de predicción .
Procesamiento de datos
Al igual que la API, la CLI devuelve etiquetas previstas con puntuaciones de confianza. Para procesar correctamente las puntuaciones de confianza, asegúrate de comprobar las secciones Uso de etiquetas en automatización y Uso de etiquetas en análisis de la documentación de Etiquetas.
La CLI devuelve datos en formato JSONL (también llamado JSON delimitado por nueva línea), donde cada línea es un valor JSON. Muchas herramientas podrán procesar archivos JSONL listos para usar. Póngase en contacto con el soporte técnico si tiene alguna pregunta.
Cada línea del archivo JSONL tendrá el siguiente formato:
{
"comment": {...},
"annotating": {
"assigned": [...]
"predicted": [...]
},
"entities": {
"assigned": [...]
"predicted": [...]
}
}
{
"comment": {...},
"annotating": {
"assigned": [...]
"predicted": [...]
},
"entities": {
"assigned": [...]
"predicted": [...]
}
}
| Nombre del campo | Descripción |
|---|---|
comment | Objeto de comentario en el formato descrito Comentarios. |
annotating.assigned | Lista de etiquetas asignadas, en el formato descrito Etiquetas. |
entities.assigned | Lista de entidades asignadas, en el formato descrito Campos generales. |
annotating.predicted | Lista de etiquetas previstas, en el formato descrito Etiquetas. |
entities.predicted | Lista de entidades previstas, en el formato descrito Campos generales. |
Ten en cuenta que el campo annotating o entities puede estar completamente ausente si el comentario no tiene etiquetas o entidades asignadas ni previstas.
El siguiente comentario de ejemplo con predicciones descargadas de un conjunto de datos de la vida real.
{
"comment": {
"id": "1234abcd",
"uid": "5678ef.1234abdc",
"timestamp": "2021-02-01T00:00:00Z",
"messages": [
{
"body": {
"text": "The hot chocolate biscuit on arrival raised my expectations"
}
}
],
"user_properties": {
"string:Question": "What did you like about your stay",
"number:Reviewer Score": 5.4,
"number:Average Score": 8.4,
"number:Reviewer Total Number Of Reviews": 1,
"string:Hotel Name": "DoubleTree by Hilton London Victoria"
},
"created_at": "2021-02-01T00:00:00Z"
},
"annotating": {
"predicted": [
{
"name": "Refreshments",
"sentiment": 0.3598046874571062,
"probability": 0.54764723591506481
},
{
"name": "Property",
"sentiment": 0.6684685489411859,
"probability": 0.417815982922911644
}
]
}
}
{
"comment": {
"id": "1234abcd",
"uid": "5678ef.1234abdc",
"timestamp": "2021-02-01T00:00:00Z",
"messages": [
{
"body": {
"text": "The hot chocolate biscuit on arrival raised my expectations"
}
}
],
"user_properties": {
"string:Question": "What did you like about your stay",
"number:Reviewer Score": 5.4,
"number:Average Score": 8.4,
"number:Reviewer Total Number Of Reviews": 1,
"string:Hotel Name": "DoubleTree by Hilton London Victoria"
},
"created_at": "2021-02-01T00:00:00Z"
},
"annotating": {
"predicted": [
{
"name": "Refreshments",
"sentiment": 0.3598046874571062,
"probability": 0.54764723591506481
},
{
"name": "Property",
"sentiment": 0.6684685489411859,
"probability": 0.417815982922911644
}
]
}
}