E-mail d'IA

Modèles de solution d'IA (AI Solution Templates) > E-mail d'IA (Email AI)

Remarque :

Le modèle E-mail d'IA est actuellement en aperçu public.

UiPath s'engage à assurer la stabilité et la qualité de nos produits, mais les fonctionnalités d'aperçu sont toujours sujettes à modification en fonction des commentaires que nous recevons de nos clients. L'utilisation des fonctionnalités d'aperçu n'est pas recommandée pour les déploiements de production.

La solution Email AI Template est toujours prise en charge pour les utilisateurs existants, mais pour les cas d'utilisation plus complexes, la solution Communications Mining est fortement recommandée. Pour plus d'informations sur Communications Mining, consultez la documentation officielle.

Vue d'ensemble (Overview)

Pour en savoir plus sur les E-mails d'IA, regardez cette vidéo.

Bénéfices

Ce modèle fournit une recette pour créer votre propre solution d’IA pour les e-mails. Le modèle aide à atteindre les objectifs suivants :

1. Détectez l’intention d’organiser et acheminer les e-mails vers différents services.
2. Découvrez les e-mails urgents et de grande valeur en fonction des besoins et des sentiments de l’entreprise.
3. Extrayez les entités pour exécuter des workflows de saisie de données et d'escalade.
4. Montrez l’impact de l’automatisation améliorée par l’IA sur le tableau de bord Insights.

Contenu du modèle

Pour atteindre les quatre objectifs ci-dessus, ce modèle regroupe les éléments suivants dans un seul fichier zip, appelé EmailAI.zip, qui peut être téléchargé ici :

• Modèles d’apprentissage automatique (ML) (disponibles dans UiPath® AI Center)
• Exemples de jeux de données (à l'intérieur des dossiers classification_data et ner_data )
• Exemples de workflows (à l'intérieur des dossiers SMA_SmartMailAutomation et NER_Validation_Station )
• Analyse standard
• Human in the loop et apprentissage continu des modèles ML
• Fichier de configuration ( Config.xlsx )

Modèles d’apprentissage automatique

• Classification de texte multilingue pour la classification d'intention
• Reconnaissance d'entité nommée personnalisée pour extraire des informations pertinentes
• Similitude sémantique pour le mappage des questions dans un e-mail à la base de connaissances
• Analyse des sentiments pour découvrir l'urgence

Exemples de jeux de données

Les exemples d'ensembles de données sont utilisés pour tester rapidement les modèles et créer des ensembles de données supplémentaires spécifiques à votre cas d'utilisation.

Le bundle de modèles Email AI contient deux exemples d'ensembles de données :

• Exemple d'ensemble de données d'e-mails balisés pour le modèle Classification de texte multilingue (Email_Classification_data.csv) : cet exemple est utilisé pour classer les e-mails dans les catégories suivantes :
  • Problèmes de transaction
  • Problèmes de prêt
  • Problèmes de désinformation ou de clarification
• Exemple d'ensemble de données d'e-mails balisés pour le modèle NER personnalisé ( Email_NER_data.txt ) - les entités suivantes sont étiquetées :
  • ID
  • PER
  • ORG
  • Montant

Sample workflows

Des exemples de workflows sont utilisés pour exécuter les modèles dans des workflows prédéfinis pour voir la puissance de l'IA, organiser des ensembles de données supplémentaires et personnaliser les workflows si nécessaire.

Exemple de workflow de scénario métier

La première chose que fait l’automatisation est de lire tous les e-mails d’un dossier et de nettoyer les données. Le workflow est configuré pour lire les e-mails à partir d'un fichier CSV ou d'un dossier dans Outlook, mais peut être étendu pour être déclenché sur de nouveaux e-mails entrants. Après avoir lu les nouveaux messages, l'automatisation prédit l'intention, les entités, le sentiment et mappe l'e-mail à la question dans la banque de connaissances (fournie dans le dossier faq_data du workflow). Les prédictions de niveau de confiance faible sont transmises à Action Center, puis à l'ensemble de données AI Center.

Selon la prédiction, il existe trois scénarios possibles :

Problème de prêt : saisie des données dans un fichier CSV et hiérarchisation des e-mails avec un prêt supérieur à 10 000 $

Problème de transaction : saisie des données dans un fichier CSV et hiérarchisation des e-mails avec une valeur de transaction supérieure à 10 000 $

Problème de désinformation ou de clarification : extraire la réponse de la base de connaissances pour la question mappée

Ce workflow d'exécution est également responsable de la création de journaux pouvant être utilisés par les requêtes du tableau de bord Insights.

Une fois la prédiction effectuée, un exemple de réponse pour répondre aux e-mails entrants est créé. L'exemple de réponse peut également être configuré dans le fichier Config.xlsx .

Analyses standard

Dans le cas de la démo fournie, les informations de la démo Insights ressemblent à la capture d'écran ci-dessous :

Les tableaux de bord Insights pour Email AI se composent des widgets suivants :

Nom du widget	Type de widget	Description
Nombre d'e-mails traités	Entrée	Affiche un total cumulé de tous les e-mails traités à ce jour.
Distribution de l'automatisation	Graphique à secteurs	Pourcentage d'automatisations utilisées, réparties par : Automatisée Corrigé par un humain Remis à Human
Distribution des intentions	Graphique à secteurs	Pourcentage d'intents utilisés, répartis par : Problème de transaction Demande d'informations Problème de prêt Corrigé par un humain Remis à Human
Répartition des entités	Graphique à secteurs	Pourcentage d'entités utilisées, réparties par : Date Personne Montant ID Organisation Corrigé par un humain Remis à Human
Distribution des sentiments	Graphique à secteurs	Pourcentage de sentiments utilisés, distribués par : Remis à Human Corrigé par un humain Négatif Neutre Positif Très négatif Très positif
Distribution des questions fréquemment posées (FAQ)	Graphique à secteurs	Pourcentage d'utilisation de chaque question FAQ reçue.

Intervention humaine et apprentissage continu

L'exemple de workflow de scénario métier fourni envoie les données de niveau de confiance faible vers Action Center pour une validation humaine, puis vers AI Center. Pour le modèle NER personnalisé, le workflow NER_Validation_Station est fourni et peut être utilisé pour valider les entités personnalisées, puis transférer les données vers AI Center.

Configuration de l'IA des e-mails

	Description
Étape 1 : entraînez et déployez les compétences ML	Les compétences ML suivantes doivent être formées et déployées : Classification de texte multilingue Reconnaissance d'entité nommée personnalisée Similitude sémantique Analyse des sentiments
Étape 2 : rendez toutes les compétences ML publiques et copiez l'URL et la clé API	Copiez l'URL et les clés API des compétences ML déployées.
Étape 3 : utilisez le workflow SMA_SmartAutomationMail et configurez les variables d'environnement	Le workflow est prêt à fonctionner avec les configurations nécessaires fournies.
Étape 4 : accédez au tableau de bord Insights et exécutez les requêtes	Configurez les requêtes suivantes dans le tableau de bord Insights : À ajouter bientôt. À ajouter bientôt. À ajouter bientôt.
Étape 5 : configurez Human in the loop pour NER	Après avoir exécuté le workflow d'exécution, les données de niveau de confiance faible du modèle NER personnalisé sont collectées dans le sous-dossier training_data du dossier NER_Validation_Station . Exécutez le workflow à cet endroit pour valider les données et les modifier si nécessaire. Ces données peuvent maintenant être téléchargées manuellement vers AI Center ou vous pouvez configurer la station de validation pour télécharger les données dans le dossier du jeu de données AI Center.
Étape 6 : étendez l’IA d’Email à vos besoins	Maintenant que nous avons vu comment Email AI peut automatiser votre boîte de réception, il est temps d’examiner les boîtes de réception courantes de votre entreprise et d’étendre ce modèle de solution à une solution.

Étape 1 : entraîner et déployer les compétences ML

1. Entraînez le modèle Ensemble de données de classification de texte et déployez-le en tant que compétence ML.
2. Entraînez le modèle d'ensemble de données NER et déployez-le en tant que compétence ML.
3. Déployer le modèle de similarité sémantique en tant que compétence ML.
4. Déployer le modèle d'analyse des sentiments en tant que compétence ML.

Étape 2 : rendre toutes les compétences ML publiques et copier l'URL et la clé API

Pour plus d'informations sur la façon de rendre les compétences ML publiques et de générer une URL et une clé API, consultez la section Gestion des compétences ML.

Étape 3 : configurer la démo E-mail d'IA

1. Configurez l'URL de l'API et les clés du dossier Compétences ML and Ensemble de données dans la feuille ML Config du fichier Config.xlsx.
2. Configurez les paramètres suivants :
   1. UnreadLocalMailFolder dans le dossier demo_emails.
   2. OrchestratorFolderPath dans un dossier de votre Orchestrator.
   3. FAQDataPath dans le dossier faq_data .
3. Dans le workflow, définissez l'argument ConfigFilePath sur le fichier Config.xlsx fourni.
4. Exécutez le workflow, accédez à Action Center lorsque le workflow s'interrompt pour valider les données.

Étape 4 : accédez au tableau de bord Insights et exécutez les requêtes

Ces informations seront ajoutées prochainement. Pour le moment, ignorez cette étape.

Étape 5 : Configurer Human in Loop

1. Ouvrez le workflow à partir du dossier NER_Validation_Station.
2. Dans le Gestionnaire des packages, ajoutez la dépendance UiPathTeam.CustomNER.Activities.1.0.0.nupkg trouvée dans le dossier NER_Validation_Station.
3. Définissez la variable d'environnement de configuration sur le chemin d'accès au fichier Config.xlsx fourni dans le dossier externe.
4. Validez les données et modifiez-les si nécessaire.
5. Les données seront réécrites dans le dossier AI Center configuré dans Config.xlsx.

Étape 6 : étendez l’IA d’Email à vos besoins

Le modèle de solution Email AI peut être configuré en fonction des besoins de votre projet. Pour ce faire, vous pouvez modifier les paramètres de configuration dans le fichier Config.xlsx .

Lorsque vous vous entraînez avec vos propres données, veillez à configurer au moins les paramètres de configuration suivants :

1. Classifications
2. Entitésnommées
3. SimilitudeSémantiqueSeulementSiType
4. TypeEntitéUrgence
   Enfin, pour étendre NER_Validation_Station aux nouveaux workflows, mettez à jour le fichier taxonomy.json dans le sous-dossier DocumentProcessing sous le dossier NER_Validation_Station .