- 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
Definición de taxonomía
Para garantizar que el modelo devuelve las predicciones más relevantes, debes definir tu taxonomía correctamente para cada conjunto de datos. Este es un paso crítico en el proceso de extracción generativa, porque el aprendizaje y las predicciones del modelo se basan en los detalles que defines de antemano.
Primero, define tu taxonomía de la siguiente manera:
-
Inicia sesión en Communications Mining™ para acceder a la página de conjuntos de datos.
-
Selecciona Nuevo conjunto de datos para crear un nuevo conjunto de datos y rellena los campos necesarios. Para obtener más detalles, consulta Crear un nuevo conjunto de datos.
-
Selecciona Siguiente.
-
En el paso Definir etiqueta , selecciona Añadir etiqueta.
-
Define y estructura la etiqueta correctamente, y proporciona una descripción clara de en qué debe consistir.
Por ejemplo, podrías añadir etiquetas individuales, sin una estructura, como Etiqueta 1, Etiqueta 2, o podrías crear una jerarquía con la estructura
Parent label > Branch label > Child label. Esta jerarquía de etiquetas representa la taxonomía para este conjunto de datos en particular. Para obtener más información, consulta Jerarquía de etiquetas. -
Selecciona Crear.
Nota:Para ver o editar la taxonomía de un conjunto de datos, en el panel lateral de las pestañas Explorar o Informes , desplázate hacia abajo hasta llegar a la sección Etiquetas .
Una vez que configures tu taxonomía, determina los procesos que quieres automatizar.
A continuación, identifica los puntos de datos o campos específicos que deben extraerse de los documentos.
Por último, organiza los puntos de datos en una estructura coherente (es decir esquema de extracción), que guiará el proceso de extracción de datos. Para crear el esquema de extracción, configura los campos a través de las pestañas Entrenar, Explorar o Configuración y configura los tipos de campo.
Para obtener más información, consulta los siguientes recursos: