- 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
- 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
La anotación generativa utiliza el punto final de Microsoft Azure OpenAI para generar etiquetas sugeridas por IA para acelerar el diseño de taxonomía y las primeras fases del entrenamiento de modelos, así como reducir el tiempo de respuesta para todos los casos de uso de Communications Mining™.
La anotación generativa incluye:
- Sugerencias de clúster : etiquetas nuevas o existentes sugeridas para clústeres en función de sus temas identificados.
- Anotación asistida : predicciones automáticas para etiquetas basadas en los nombres o descripciones de las etiquetas.
Las características de anotación generativa se habilitan automáticamente en los conjuntos de datos, no se requiere ninguna otra acción.
Una vez creado un conjunto de datos, las sugerencias de clústeres se generan automáticamente en un breve periodo de tiempo. Si se ha cargado una taxonomía, lo que es muy recomendable, Communications Mining™ sugiere tanto etiquetas existentes como nuevas para los clústeres.
Cuando cargas una taxonomía a un conjunto de datos, esto también desencadena automáticamente un modelo inicial que se entrena sin datos de entrenamiento, solo utilizando nombres de etiquetas y descripciones. Esta acción puede tardar unos minutos a partir de la carga de la taxonomía.
- Para Sugerencias de clústeres, ve a la pestaña Entrenar y selecciona un lote de clústeres. Como alternativa, ve a la pestaña Descubrir y selecciona el modo Clúster para empezar a anotar.
- Para Anotación asistida, ve a la pestaña Entrenar y sigue las acciones recomendadas. Alternativamente, ve a la pestaña Explorar y selecciona el modo Aleatorio o Enseñar etiqueta para empezar a anotar.
Aparecerán sugerencias de clúster para cada página de clúster . Pueden ser una o varias etiquetas sugeridas para cada clúster.
Si tienes habilitado el análisis de sentimiento de etiqueta , las sugerencias de clúster tendrán un sentimiento positivo o negativo, que puede resaltarse en verde o rojo.
Para identificar una etiqueta sugerida por IA, consulta la siguiente imagen:
Los entrenadores de modelos deben revisar cada sugerencia de clúster y realizar una de las siguientes acciones:
- Acéptalo seleccionándolo.
- Asignar una nueva etiqueta, si no están de acuerdo con la sugerencia dada.
Las sugerencias de clústeres pueden acelerar significativamente la primera fase del proceso de entrenamiento del modelo al generar automáticamente etiquetas sugeridas para cada clúster. También puede ayudar con el diseño de taxonomía, si los usuarios tienen dificultades para definir los conceptos que quieren entrenar.
Las sugerencias de clúster se generan en función del tema identificado compartido en los mensajes dentro de un clúster.
La creación de clústeres y la generación de sugerencias de etiquetas es un proceso automático y completamente no supervisado que no requiere intervención humana.
Las sugerencias de etiquetas en los clústeres se generarán con o sin una taxonomía predefinida, pero las sugerencias se verán influidas y, por lo general, serán más útiles al aprovechar las etiquetas importadas o existentes.
- You must have assigned the IXP Model Trainer role as an Automation Cloud™ user, or the Review and label permission as a legacy user.
- Una lista importada de nombres de etiquetas.
- Optionally, an imported list of label descriptions is highly recommended.
Once the initial model has automatically trained using label names and descriptions as its training input, predictions will appear for many of the messages in the dataset.
Estas predicciones funcionan exactamente de la misma manera que lo han hecho anteriormente, lo que significa que solo se generan sin datos de entrenamiento.
If you have Label sentiment analysis enabled, initial predictions will have either a positive or negative sentiment in different shades of green or red, depending on the confidence level.
Assisted Annotating works in any training batch or mode, but it is most effective to use in Shuffle and Teach Label. You should follow the regular annotating steps in each training batch in the Train or Explore tabs.
La anotación asistida puede acelerar significativamente la segunda fase del proceso de entrenamiento del modelo al generar automáticamente predicciones para cada etiqueta con suficiente contexto, sin necesidad de ejemplos de entrenamiento.
Las predicciones iniciales se verán impulsadas por la calidad de los nombres de las etiquetas y las descripciones del lenguaje natural, como los nombres vagos que pueden dar lugar a predicciones vagas o mínimas. Las descripciones detalladas de las etiquetas pueden aumentar el rendimiento inicial del modelo.
A medida que entrenas más tu conjunto de datos, la plataforma utiliza tanto los nombres y descripciones de las etiquetas como tus ejemplos anclados para generar predicciones de etiquetas relevantes.
Estos seguirán mejorando con más entrenamiento y, en última instancia, solo se basarán en ejemplos de entrenamiento anotados cuando se hayan proporcionado suficientes.
La anotación asistida aún requiere aprendizaje supervisado al aceptar o rechazar las predicciones, pero acelera la parte del entrenamiento del modelo que consume más tiempo al proporcionar mejores predicciones con cero o muy pocos ejemplos anclados.
