communications-mining
latest
false
- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Champs généraux (anciennement entités)
- 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
- Create or delete a data source in the GUI
- Téléchargement d’un fichier CSV dans une source
- Préparation des données en vue du téléchargement du fichier .CSV
- 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
- Entraînement et maintenance du modèle
- Comprendre les libellés, les champs généraux 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)
- Statut du jeu de données
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- Comprendre les exigences de données
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de la classification par glisser-déposer
- Entraînement à l'aide de l'option Enseigner le libellé (Explore)
- Entraînement à l'aide d'une confiance faible
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à affiner
- 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 du libellé Vérifier (Check label) et du libellé Manqué (Missed Label)
- 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 du rééquilibrage
- Quand arrêter l'entraînement de votre modèle
- Utilisation de champs généraux
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- Informations de licence
- FAQ et plus encore
Important :
Ce contenu a été traduit à l'aide d'une traduction automatique.
Guide de l'utilisateur de Communications Mining
Dernière mise à jour 20 déc. 2024
Génération de vos extractions
Remarque : Prérequis. Choisissez une étiquette qui ne comporte aucun indicateur/avertissement de performance et qui se trouve à un niveau de précision/rappel approprié pour votre cas d'utilisation.
- Le processus de validation de l'extraction est nécessaire pour comprendre les performances de ces extractions via la validation.
Décidez de l'extraction que vous souhaitez former. Nous utilisons Rapport > États des comptes (Report > Statement of accounts) comme exemple de schéma que nous voulons entraîner.
Pour automatiser ce processus, extrayez les points de données suivants à saisir dans un système en aval :
Remarque : cela n'est applicable que si vous effectuez une entraînement dans Parcourir ( Explore). Dans Entraîner ( Train), cliquer sur un lot d'entraînement d'extraction précharge les extractions.Utilisez ce mode d'entraînement selon les besoins pour augmenter le nombre d'exemples d'entraînement pour chaque extraction (c'est-à-dire un ensemble de champs attribués à un libellé) à au moins 25, ce qui permet au modèle d'estimer avec précision les performances de l'extraction.
- Accédez à Explorer ( Explore ) puis à Étiquette ( Label) et sélectionnez l'étiquette sur laquelle vous souhaitez générer des extractions.
- Sélectionnez Prévoir les extractions (Predict extractions). Prévoir les extractions (Predict extractions) génère des extractions par page dans Explorer (c’est-à-dire que cela applique des prédictions sur tous les commentaires d’une page donnée).
Remarque : chaque fois que vous accédez à la page suivante, vous devez sélectionner à nouveau Prévoir les extractions ( Predict extractions ).
Vous pouvez également générer des extractions au niveau des commentaires individuels . Sélectionnez Annoter les champs ( Annotate Fields), puis l'icône Prédire les extractions (Predict extractions).
Que se passe-t-il lorsque vous prévoyez les extractions ?
- Le modèle utilise des modèles génératifs et mappe chacun des points de données que vous avez précédemment définis (dans notre schéma d'extraction), pour les associer à une intention (libellé).
- Il les extrait et les renvoie dans un schéma structuré, pour qu'une PME puisse les parcourir et les confirmer.
- Le schéma structuré est destiné à permettre des automatisations plus complexes et est structuré au format JSON dans l'API pour être utilisé par toutes les automatisations en aval.
- Après avoir effectué les prédictions d'extraction, si le modèle a repris des extractions de champ dans le commentaire, il met en surbrillance la plage pertinente dans le texte (le cas échéant). Le modèle affiche la valeur extraite sur le côté droit. Consultez la page Validation et annotation des extractions pour savoir comment valider les valeurs prédites.
