- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Entités (Entities)
- Libellés (prédictions, niveaux de confiance, hiérarchie, etc.)
- Modèles
- Flux
- Évaluation du modèle
- Projets
- Précision
- Rappel
- Messages examinés et non examinés
- Sources
- Taxonomies
- Apprentissage
- Prédictions positives et négatives vraies et fausses
- Validation
- Messages
- Administration
- Gérer les sources et les jeux de données
- Comprendre la structure des données et les autorisations
- Créer une source de données dans l'interface graphique
- Téléchargement d’un fichier CSV dans une source
- Créer un nouveau jeu de données
- Sources et jeux de données multilingues
- Activation des sentiments sur un ensemble de données
- Modifier les paramètres d’un jeu de données
- Supprimer des messages via l'interface utilisateur
- Supprimer un jeu de données
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les entités et les métadonnées
- Hiérarchie des libellés et bonnes pratiques
- Définition de vos objectifs de taxonomie
- Cas d'utilisation d'analyse vs d'automatisation
- Transformer vos objectifs en libellés
- Construire votre structure de taxonomie
- Meilleures pratiques de conception de taxonomie
- Importation de votre taxonomie
- Présentation du processus d'entraînement du modèle
- Annotation générative (New)
- Comprendre le statut de votre jeu de données
- Meilleures pratiques d'entraînement et de labellisation des modèles
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de « Mélanger »
- Entraînement à l'aide d'« Ensemble des libellés » (Explore)
- Entraînement à l'aide de l'option 'Faible confiance'
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à 'Raffiner'
- Précision et rappel expliqués
- Précision et rappel
- Comment fonctionne la validation ?
- Comprendre et améliorer les performances du modèle
- Pourquoi un libellé peut-il avoir une précision moyenne faible ?
- Entraînement à l'aide de « Vérifier le libellé » et « Libellé manquant »
- Entraînement à l'aide du libellé En savoir plus (Affiner)
- Entraînement à l'aide de la recherche (affiner)
- Comprendre et augmenter la couverture
- Amélioration de l'équilibre et utilisation de « Rééquilibrer »
- Quand arrêter l'entraînement de votre modèle
- Définition et configuration de vos entités
- Comprendre les entités
- Quelles sont les entités pré-entraînées disponibles ?
- Activation, désactivation, mise à jour et création d'entités
- Filtrage des entités
- Examiner et appliquer des entités
- Validation pour les entités
- Amélioration des performances de l'entité
- Création d'entités Regex personnalisées
- Utilisation des analyses de surveillance &
- Automatisations et Communications Mining
- FAQ et plus
Définition et configuration de vos entités
Il est important de définir les points de données clés (c'est-à-dire d'entités) que vous souhaitez extraire de vos données de communications. Ceux-ci sont généralement utilisés pour faciliter l'automatisation en aval, mais peuvent également être utiles pour les analyses, notamment pour évaluer le taux de réussite potentiel et l'avantage des opportunités d'automatisation.
En fin de compte, les prédictions d'entité, combinées à des libellés, peuvent faciliter l'automatisation en fournissant les points de données structurés nécessaires pour terminer une tâche ou un processus spécifique. Il est beaucoup plus efficace en temps d'entraîner des entités dans votre ensemble de données conjointement avec des libellés, plutôt que de se concentrer sur l'une puis l'autre (c'est-à-dire des entités d'entraînement après avoir entraîné une taxonomie complète de libellés).
Par exemple :
Si nous cherchons à automatiser les demandes de « changement d'adresse », un libellé serait utilisé pour capturer le type de demande, tandis que les entités captureraient les différents composants de l'adresse (c'est-à-dire Ligne d'adresse, Ville, Code postal/Code postal, etc.). Chaque prédiction est rendue disponible via l'API, permettant d'agir en fonction de chaque message.
Une fois configurés et entraînés à un niveau de performances approprié, ils peuvent aider à générer des informations importantes sur les types de demandes qui pourraient faire l'objet de l'automatisation.
Pour comprendre comment, continuons le même exemple : « Changement d’adresse »
Nous avons identifié que les demandes de « Changement d'adresse » (Address Change) sont une tâche volumineuses, transactionnelle et hautement manuelle, et nous voulons connaître la proportion d'automatisations que nous pouvons automatiser.
Pour ce faire, nous devons savoir que le libellé permettant d'identifier la requête peut fonctionner correctement. Nous devons également connaître la proportion de demandes de changement d'adresse reçues qui contiennent les points de données nécessaires (c'est-à-dire les entités) requis pour traiter le changement.
Dans ce cas, il peut s'agir de « Ligne d'adresse 1 », « Ville/City », « Code postal », « State ». Nous pouvons facilement évaluer la proportion de demandes de « changement d'adresse » qui contiennent tout ou partie des entités requises à l'aide de filtres combinés. Cela nous aide à comprendre la proportion qui pourrait être automatisée avec succès de bout en bout et qui nécessiterait plus d'informations ou d'utilisateurs dans la boucle pour être terminée.
Si 80 % de nos demandes de changement d'adresse contiennent les entités requises, nous savons que c'est une excellente solution d'automatisation. Si seulement 20 % contiennent les entités dont nous avons besoin, cela peut être une opportunité moins importante (selon les volumes globaux).
Veuillez noter qu'il est important que les entités fonctionnent bien avant de les évaluer, car sinon la plate-forme pourrait manquer de nombreuses requêtes qui pourraient être automatisées E2E, uniquement par manque de formation.
L'exemple ci-dessus illustre comment la plate-forme peut être utilisée pour mieux comprendre toute opportunité d'automatisation au sein de vos canaux de communication. En extrayant ces données de la plate-forme et en les intégrant à votre pipeline d'opportunités d'automatisation, vous pouvez efficacement identifier et hiérarchiser les opportunités qui ont le plus grand taux de réussite potentielle, et, enfin, le plus grand retour sur investissement.
