- 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
Una etiqueta es un resumen estructurado de una intención o concepto expresado en un mensaje. Varias etiquetas a menudo resumen un mensaje, lo que significa que una etiqueta no es una clasificación mutuamente excluyente del mensaje.
Por ejemplo, en un conjunto de datos que supervisa la experiencia del cliente, podríamos crear una etiqueta llamada Notificación de factura incorrecta, que describe cuándo un cliente informa a la empresa de que ha recibido lo que cree que es una factura incorrecta.
Las acciones de creación y edición de etiquetas se realizan principalmente en las páginas Explorar y Descubrir .
Inicialmente creas etiquetas aplicando una a un mensaje relevante. Puedes seguir aplicándolos para crear ejemplos de entrenamiento para el modelo, y la plataforma comenzará a predecir automáticamente la etiqueta en todo el conjunto de datos cuando sea relevante.
Una etiqueta que aplicaste a un mensaje se considera anclada, mientras que las etiquetas que la plataforma asigna a los mensajes se conocen como predicciones de etiquetas.
Para obtener más información sobre los mensajes revisados y no revisados, consulta Mensajes anotados y no anotados.
% para esa predicción de etiqueta. Cuanto mayor sea el nivel de confianza, más confianza tendrá la plataforma en que se aplica la etiqueta.
El nivel de confianza que la plataforma tiene en las etiquetas predichas sombrea las etiquetas. Cuanto más opaca sea la etiqueta, mayor será la confianza de la plataforma en que se aplica la etiqueta.
Puedes organizar las etiquetas en una estructura jerárquica para ayudarte a organizar y entrenar nuevos conceptos más rápidamente.
Esta jerarquía puede tener el siguiente formato: [Etiqueta principal] > [Etiqueta de rama 1] > [Etiqueta de rama n] > [Etiqueta secundaria]
> , que forman subconjuntos de las etiquetas anteriores en la jerarquía.
Cada vez que se ancla o predice una etiqueta secundaria o una etiqueta de rama, el modelo considera que los niveles anteriores de la jerarquía también se han anclado o predicho. Las predicciones para las etiquetas principales suelen tener niveles de confianza más altos que los niveles inferiores de la jerarquía, ya que suelen ser más fáciles de identificar.
Para obtener más información sobre las jerarquías de etiquetas, consulta Taxonomías.
Para los conjuntos de datos con el análisis de sentimiento habilitado, un color verde o rojo indica un sentimiento positivo o negativo para cada etiqueta, tanto anclado como previsto.
Los diferentes niveles de una jerarquía de etiquetas pueden tener diferentes predicciones de sentimiento. Por ejemplo, una reseña podría ser en general positiva sobre una propiedad, pero podría ser negativa sobre la propiedad > Ubicación.
