- 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
- Chat de entrenamiento y datos de llamadas
- 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
- Información general
- Comparar LLM de CommPath y Preview
- Configurar campos
- Filtrado de tipo de campo de extracción
- Generar tus extracciones
- Validar y anotar extracciones generadas
- Mejores prácticas y consideraciones
- Comprender la validación de las extracciones y el rendimiento de las extracciones
- Preguntas frecuentes (FAQ)
- 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
- LLM de CommPath
- Vista previa de LLM
Las siguientes secciones describen algunas de las consideraciones a la hora de decidir qué LLM utilizar. Si tu caso de uso requiere extraer más de 30 campos por mensaje, se recomienda utilizar el Preview LLM.
- Aprovecha el LLM patentado de UiPath®, ajustado para datos de comunicaciones.
- Limitado a extraer aproximadamente 30 campos por mensaje.
- Menos latencia que la Preview LLM.
- Puedes ajustarlo en función de tus datos.
- Mejorar el rendimiento de CommPath, tanto en términos de número de campos que se pueden extraer como de la velocidad de inferencia para el modelo, es una alta prioridad.
- Proporciona confianzas de ocurrencia específicas en comparación con la Preview LLM. Para obtener más información, consulta Automatizar con extracción generativa.
- Aprovecha el modelo GPT de Azure OpenAI como LLM subyacente.
- UiPath® no puede garantizar el tiempo de actividad, ya que depende completamente de los puntos finales de Azure OpenAI. Si los puntos finales están inactivos o sobrecargados, UiPath no puede garantizar la disponibilidad.
- Puedes extraer más de 30 campos por mensaje.
- Mayor cantidad de latencia en comparación con CommPath LLM.
- Limitado al aprendizaje en contexto.
Nota: Cuando se utiliza el aprendizaje en contexto, la plataforma solo puede aprender de lo que le indiques. Communications Mining™ puede refinar automáticamente la solicitud hasta cierto punto, pero el modelo no aprende de ninguna validación dirigida por el usuario.
Utiliza la configuración ilustrada en las siguientes imágenes para seleccionar qué LLM quieres utilizar para la extracción generativa.
CommPath LLM está habilitado de forma predeterminada. Para habilitar la Preview LLM, asegúrate de habilitar Usar características de IA generativa y Usar vista previa del modelo de extracción generativa.
Si la opción Usar modelo de extracción generativa de vista previa está desactivada, significa que estás utilizando el CommPath LLM.
Tener las opciones Usar características de IA generativa y Usar vista previa del modelo de extracción generativa activadas significa que la plataforma utiliza el punto final de UiPath Azure OpenAI en el proceso de extracción.
- Comience a entrenar sus extracciones con CommPath LLM.
- Si las extracciones se extraen correctamente, continúa entrenando las extracciones utilizando CommPath LLM. Si no es así, debido a un gran número de campos o tablas grandes en cada mensaje, cambia a Preview LLM.
Para determinar si tus extracciones predicen correctamente, comprueba las estadísticas de validación en la pestaña Extracción generativa , en la página Validación . Si la precisión y la recuperación de las extracciones son adecuadas para tu caso de uso, continúa utilizando el CommPath LLM.
Si algún punto de datos no se extrae como se esperaba con CommPath LLM:
- Anclar la versión actual del modelo yendo a modelos y selecciona anclar en la versión más reciente del modelo.
- Póngase en contacto con su representante de UiPath® y tome nota de la versión del modelo en la que las extracciones no funcionaban bien. Su representante de UiPath trabajará directamente con el equipo de producto de Communications Mining™ para investigar e implementar mejoras.
- Si utilizas el LLM de vista previa, continúa entrenando tu modelo de la misma manera que entrenaste el LLM de CommPath. Revísalo y proporciona ejemplos correctos para cada una de tus extracciones.