- 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 extracción generativa (GenEx) es una característica nueva e innovadora de UiPath® Communications Mining™ que aprovecha la IA generativa para comprender las complejas relaciones entre múltiples solicitudes y los puntos de datos necesarios para procesarlas.
Un correo electrónico puede contener varias solicitudes, cada una de las cuales requiere la extracción de varios campos para habilitar la automatización. Automatizar esto de principio a fin requiere algo más que extraer correctamente el propio campo, sino también comprender cómo se relaciona cada uno de estos elementos entre sí. GenEx avanza significativamente el alcance de lo que es posible para la automatización basada en las comunicaciones.
La extracción generativa aprovecha las últimas capacidades de PNL y también proporciona las barreras necesarias que requieren las empresas para implementar automatizaciones complejas basadas en la comunicación para procesos empresariales.
Los procesos y comunicaciones más complejos que contienen múltiples solicitudes diferentes ahora también pueden ser los principales candidatos para la automatización.
Para algunos casos de uso, las extracciones pueden generarse sin entrenamiento y pueden ajustarse aún más con pocos datos de entrenamiento.
- Reconoce las relaciones : la extracción generativa ayuda a identificar la relación entre diferentes conceptos y puntos de datos en las comunicaciones. Por ejemplo, identificar para una solicitud de cambio de dirección de política, el número de política de la política que debe actualizarse, la dirección antigua y la nueva dirección a la que actualizarla.
- Utiliza modelos generativos : utiliza modelos generativos de lenguaje grande (LLM) de última generación para predecir intenciones específicas y asignar cada uno de los puntos de datos relacionados con ellas, extrayéndolos en un esquema estructurado para la automatización, todo con un entrenamiento mínimo.
- Automatiza las solicitudes múltiples : esto permite la automatización de varias solicitudes dentro de una única comunicación, ya sea la misma solicitud repetida para diferentes puntos de datos o numerosos tipos de solicitudes diferentes, cada una con su propio esquema de puntos de datos necesarios para el procesamiento automatizado.
Los siguientes pasos describen el proceso de validación de extracciones de extremo a extremo. Cada paso se trata con más detalle en las secciones siguientes.
- Define tu esquema de extracción:
- Identifique qué procesos, es decir, las etiquetas que desea automatizar, y los puntos de datos, es decir, los campos, que deben capturarse para habilitar la automatización.
- Crea el esquema de extracción correspondiente.
- Generar extracciones:
- La generación de extracciones te permite acelerar significativamente el proceso de búsqueda y relación de datos. Para algunos casos de uso, la plataforma no requiere ejemplos de entrenamiento para generar sus extracciones.
- Utiliza las capacidades generativas de la plataforma para crear tus extracciones iniciales.
- Validar y corregir extracciones:
- Revisa las extracciones de la plataforma y acéptalas si son precisas, o corrígelas si no lo son.
- La plataforma es flexible y sencilla, y puedes añadir nuevos esquemas de extracción en cualquier punto del proceso de entrenamiento.
- Revisa la validación de las extracciones:
- Comprueba el rendimiento de tus extracciones en la pestaña Validación .
- Determina si tus extracciones tienen un nivel de rendimiento adecuado para tu caso de uso.
Flujo de trabajo de extracción generativa
Al configurar tu esquema de extracción, debes decidir qué procesos, es decir, qué etiquetas, quieres automatizar.
Para que la plataforma comprenda la relación entre el proceso y los puntos de datos que deben extraerse, la plataforma te solicita que proporciones los puntos de datos adecuados. La sección de configuración de campos entra en más detalles sobre las mejores prácticas y cómo funciona esto específicamente.
