- 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
- 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
- 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
- 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.
La funcionalidad Buscar en la página Descubrir se utiliza para buscar términos y frases clave. Puede buscar términos de búsqueda exactos y, si existen, se los mostrará seguidos de coincidencias parciales. Esta función puede utilizarse para buscar términos alternativos y formas de expresar la misma intención o concepto para cada etiqueta. Esto puede ser útil si conoces un término o expresión común relevante que no ha aparecido en ninguno de los grupos hasta el momento y quieres fijar un par de ejemplos.
La búsqueda no debe utilizarse para aplicar un gran número de ejemplos por término de búsqueda y por etiqueta, solo unos pocos de cada uno.
Por ejemplo, el clúster de la siguiente imagen trata claramente de la ubicación del hotel, donde se ha predicho una etiqueta de Ubicación. Si solo usáramos este término, podría sesgar el modelo hacia las frases alrededor de la palabra Ubicación o similar, y deberíamos usar la función Buscar para encontrar formas alternativas de expresar esto:
Posibles términos de búsqueda alternativos para Ubicación:
- Localizado
- Conveniente
- Posición
- Proximidad
- Cerca
- Posición del hotel
- Ubicación a transportar
- Enlaces de transporte
- Atracciones turísticas
- Cerca del transporte
- Central
- Cerca del aeropuerto
- Cerca del aeropuerto
Buscar diferentes términos
La siguiente imagen contiene un ejemplo de cómo la búsqueda de términos alternativos para Ubicación resalta los mensajes relacionados con la ubicación del hotel, pero expresados de forma diferente. Al hacer esto, el modelo recibirá diferentes ejemplos de Ubicación.
Aplicar etiquetas a los resultados de búsqueda
- Selecciona Buscar en el menú desplegable Clúster en la pestaña Descubrir .
- Introduce tu término de búsqueda y pulsa Intro o selecciona el icono de búsqueda.
- Los términos de búsqueda coincidentes aparecerán resaltados en naranja. La plataforma mostrará coincidencias completas seguidas de coincidencias parciales.
- Añade todas las etiquetas que deben aplicarse, no solo tus resultados de búsqueda. Por ejemplo, la etiqueta Propiedad > Personal en el clúster anterior.
Puedes utilizar este proceso con moderación para cada etiqueta que tenga formas variables de expresar el mismo tema. Sin embargo, hay otros métodos cubiertos en la fase Explorar que también ayudan a proporcionar diferentes ejemplos de entrenamiento, pero que no tienen el potencial de sesgar tu modelo.
