ixp
latest
false
- 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 de acceso y administración
- 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
- Introducción
- Uso de la API
- Tutorial de la API
- Resumen
- 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
- 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
- Integración de Exchange autohospedado
- Marco de automatización de UiPath®
- Actividades de UiPath® Marketplace
- 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
Última actualización 11 de ago. de 2025
Nota: debes tener asignados los permisos Origen - Leer y Conjunto de datos - Revisar como usuario de Automation Cloud, o los permisos Ver orígenes y Revisar y anotar como usuario heredado.
Después de la fase Descubrir , el modelo comenzará a hacer predicciones para muchas de las etiquetas de tu taxonomía.
El propósito de la fase Explorar es revisar las predicciones para cada etiqueta, confirmando si son correctas y corrigiéndolas cuando no lo sean. Como resultado, proporciona muchos más ejemplos de entrenamiento para el modelo.
Asegúrate de tener en cuenta las siguientes acciones clave al revisar las predicciones de las etiquetas:
- Cuando las predicciones sean correctas, debes confirmarlas o aceptarlas seleccionándolas.
- Cuando sean incorrectas, debes descartarlas o ignorarlas o, como alternativa, añadir las etiquetas correctas que correspondan. Para añadir una etiqueta diferente, selecciona el botón más
+e introduce el nombre de la etiqueta. Esta es la forma de corregir predicciones erróneas, añadiendo la correcta y no seleccionando ninguna etiqueta predicha incorrectamente.
Las siguientes imágenes muestran cómo aparecen las predicciones en Communications Mining™ para datos con y sin sentimiento. Al pasar el ratón por encima de la etiqueta también se mostrará la confianza que tiene el modelo en que se aplica la etiqueta específica.
La transparencia de la etiqueta prevista proporciona un indicador visual de la confianza del modelo. Cuanto más oscuro sea el color, mayor será la confianza, y viceversa:
Para eliminar una etiqueta que hayas aplicado accidentalmente, puedes pasar el ratón por encima y aparecerá una X. Selecciona el botón X para eliminar la etiqueta:
Importante: Añade todas las etiquetas que se aplican al mensaje que estás revisando. Indicar al modelo que una etiqueta no se aplica es tan importante como indicar lo que sí.
