ixp
latest
false
- 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
- 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
Última actualización 20 de oct. de 2025
El campo general resaltado debe cubrir la palabra completa, o varias, en cuestión, no solo parte de ella. No incluyas espacios adicionales al final del campo.
Al igual que las etiquetas, no revises parcialmente tus campos generales y de extracción.
- Los campos generales se revisan a nivel de párrafo, no a nivel de mensaje completo. Cuando revises un párrafo en busca de campos, revisa todos los campos del párrafo.
Si no se confirma un campo en un párrafo en el que se han etiquetado otros campos, se indica al modelo que no se considera un ejemplo auténtico del campo previsto. Esto se refleja en las puntuaciones de validación y el rendimiento general del campo.
- Los campos de extracción se revisan a nivel de mensaje, no solo a nivel de párrafo. Cuando revises un mensaje completo en busca de campos, revisa todos los campos del mensaje.
Si no se confirma un campo en un mensaje en el que se han etiquetado otros campos, se indica al modelo que no se considera un ejemplo auténtico del campo previsto. Esto se refleja en las puntuaciones de validación y el rendimiento del campo de extracción.
Nota: Las consideraciones a nivel de campo y el rendimiento de la extracción y la etiqueta son las cosas más importantes que hay que recordar al asignar campos generales y de extracción.
- Los campos globales no pueden superponerse entre sí, o con otro ejemplo de sí mismo.
- Los campos globales y los campos de extracción pueden superponerse entre sí.
- Puedes utilizar el mismo espacio de texto tantas veces como sea necesario para los diferentes campos de extracción.
- Actualmente no hay una vista previa de normalización de campo general en Communications Mining™. Los campos que deben normalizarse se normalizarán en la respuesta posterior. La normalización en Communications Mining estará disponible en el modelo en el futuro.
- Si una etiqueta secundaria tiene extracciones, su elemento principal no hereda los ejemplos de extracción automáticamente. Para las etiquetas, su elemento principal hereda automáticamente los ejemplos de extracción.
- Proporcionar ejemplos de extracción adicionales no mejora el rendimiento de una etiqueta. Para mejorar el rendimiento de una etiqueta, céntrate en el entrenamiento específico de la etiqueta.
- Mejorar el rendimiento de las etiquetas te permite aumentar la probabilidad de capturar ocurrencias en las que debería haberse predicho una etiqueta y, posteriormente, sus extracciones.
Para mejorar el rendimiento de tus extracciones, proporciona ejemplos validados en las propias extracciones.
