- 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
- Información general
- Entrenamiento mediante clústeres
- Entrenamiento mediante Buscar
- 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
- Permisos necesarios para los usuarios de Automation Cloud:
- Origen: leer para ver los mensajes.
- Conjunto de datos: leer para ver etiquetas.
- Conjunto de datos: revisión para aplicar etiquetas.
- Permisos necesarios para los usuarios heredados:
- Ver orígenes para ver los mensajes.
- Ver etiquetas para ver las etiquetas.
- Revise y anote para aplicar etiquetas.
Una vez que tus datos estén en la plataforma, esta agrupará y mostrará 30 grupos de comunicaciones (mensajes) que cree que comparten conceptos o intenciones similares. El objetivo de esta parte del proceso de entrenamiento es pasar por cada uno de estos grupos y anotar los datos presentados en cada uno de ellos.
Este proceso hace que entrenar el modelo sea más fácil y rápido para empezar, ya que puedes añadir etiquetas a varios mensajes similares a la vez, así como añadir o eliminar etiquetas a mensajes individuales según sea necesario.
- No pierdas demasiado tiempo pensando en el nombre de la etiqueta. Puedes cambiar el nombre de una etiqueta en cualquier momento durante el proceso de entrenamiento.
- Sé lo más específico posible al nombrar una etiqueta y mantén la taxonomía lo más plana posible inicialmente, lo que significa no añadir demasiadas etiquetas secundarias. Es mejor ser lo más específico posible con el nombre de tu etiqueta desde el principio, ya que siempre puedes cambiar y reestructurar la jerarquía más adelante. En esta etapa, debes añadir tantas etiquetas como sea posible a un mensaje, ya que siempre puedes volver y eliminarlas más tarde, lo que es más rápido y fácil que expandir una etiqueta existente.
- Es más fácil crear una taxonomía más específica y detallada en la primera instancia. Si la taxonomía es demasiado detallada, es fácil editarla y refinarla más tarde. Esto significa añadir más etiquetas y subetiquetas en lugar de menos.
- Es bueno comenzar con etiquetas en una jerarquía plana, lo que significa no añadir demasiadas subetiquetas. Siempre puedes reestructurar la taxonomía a una estructura más jerárquica más adelante.
- Cada mensaje puede tener varias etiquetas asignadas. Asegúrate de aplicar todas las etiquetas relevantes, de lo contrario, le enseñas al modelo a no asociarlo con la etiqueta que has omitido.
- Es mejor tomarse el tiempo para anotar cuidadosamente ahora, de modo que la máquina pueda predecir etiquetas de forma rápida y precisa en el futuro.
- No todos los clústeres tendrán intenciones similares, y puedes seguir adelante si todos son diferentes.
Al crear un nuevo conjunto de datos por primera vez, es posible que la página Descubrir esté vacía, como se muestra en la siguiente imagen. Esto puede suceder porque los algoritmos de la plataforma están ocupados trabajando en segundo plano para agrupar tus mensajes en clústeres. Dependiendo del número de mensajes en el origen de datos, esto podría tardar hasta unas horas en procesarse.
Puedes encontrar en la siguiente imagen el diseño de Discover, así como un ejemplo de un clúster. En la imagen, la plataforma detectó que estos mensajes comparten el tema común de la comodidad de las camas de hotel:
Diseño explicado:
A: botón para alternar entre el modo Clúster y el modo Búsqueda .B: menú desplegable que te permite cambiar entre diferentes clústeres.C: botón para aplicar una etiqueta a todos los mensajes mostrados en la página.D: uno de los 6 mensajes mostrados del clúster número 7, donde cada clúster contiene 12 mensajes.E: botón para aplicar una etiqueta a un mensaje individual.F: menú desplegable para ajustar el número de mensajes mostrados en la página, entre 6 y 12.G: botones para ajustar e invertir la selección de mensajes en la página.H: botón para anular la selección de un mensaje y excluirlo de las etiquetas añadidas en bloque.
Como se muestra en la siguiente imagen, Descubrir resalta las partes de un mensaje que más contribuyen a que ese mensaje se incluya en el clúster, ayudándote a identificar los temas comunes más rápido:
- Las líneas más oscuras indican las partes más importantes del intervalo. Pasa el ratón por encima para obtener más detalles.
- Las líneas de color más claro indican una contribución media y ligeramente más débil al clúster.
- Revise cada mensaje en el clúster
- Si crees que hay una etiqueta que se aplica a todos los mensajes de la página, selecciona Añadir etiqueta.
- Introduce el nombre de la etiqueta y pulsa Intro o selecciona el botón de anclaje que aparece. El botón de anclaje te permite añadir varias etiquetas a la vez, si introduces el nombre de otra etiqueta y seleccionas el botón de anclaje de nuevo.
4. Selecciona Aplicar etiquetas para asignar las etiquetas a los mensajes. Las etiquetas asignadas aparecen en cada tarjeta de mensaje en la página Descubrir .
Como alternativa, puedes añadir una etiqueta a mensajes individuales seleccionando Añadir etiqueta + en una tarjeta de mensaje.
Si quieres añadir una etiqueta a un grupo de mensajes en la página, pero quieres excluir uno o más, puedes deseleccionarlos utilizando el botón de alternancia. Marca el resaltado A en la siguiente imagen. A continuación, puedes invertir la selección, o deseleccionar o volver a seleccionar todo utilizando los botones resaltados B de la siguiente imagen.
- A: Ver diferentes páginas del mismo grupo seleccionando los números de página o las flechas.
- B: Ajusta el número de mensajes por página utilizando la lista desplegable Por página .
- C: Una vez anotado el clúster, continúa con un nuevo clúster utilizando la lista desplegable Clúster # .
El modelo te presentará 30 clústeres. Asegúrate de revisarlos para crear una base sólida para la fase Explorar . Sin embargo, si un clúster no es relevante para ti, sáltatelo.
