- 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
- 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
- Supprimer une source
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement du fichier .CSV
- 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)
- Comprendre le statut de votre jeu de données
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- 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
Messages
verbatim(s)
sont remplacées par des messages.
Un message est ce que nous appelons une unité unique de communication textuelle libre ; comme un e-mail, une réponse à une enquête, une note ou une transcription de chat ou d'appel téléphonique. Les messages sont regroupés dans des sources.
Vous trouverez ci-dessous un exemple de présentation d'un message sur la page Explorer (Explore) de l'interface utilisateur.
Métadonnées de message
Chaque message a des métadonnées associées composées de points de données structurés qui fournissent des informations supplémentaires sur la communication ou la conversation et ses participants.
Tous les messages doivent avoir un horodatage associé, qui correspond généralement à l'heure à laquelle ce message a été créé à l'origine.
En plus des horodatages, la plate-forme stocke généralement des métadonnées supplémentaires associées à chaque message. Exemples typiques de champs de métadonnées :
- Nom et coordonnées des participants au message
- Domaines de l’expéditeur et du destinataire pour les e-mails
- Nombre de messages dans une conversation de chat ou nombre d'e-mails dans un fil de discussion
- Données démographiques, comme le genre, l'âge, le pays, etc.
- Une mesure cumulative de la satisfaction des clients concernant l’interaction, telle que le Net Promoter Score (NPS), le Customer Satisfaction Score (CPAT), etc.
- Pour les appels téléphoniques, le son brut utilisé par la plateforme pour le transcrire
- ID tiers lorsque les messages sont importés d'un autre système, par exemple l'ID de l'e-mail à partir d'un serveur Exchange
Certains jeux de données peuvent contenir des messages avec des PII (informations d’identification personnelle) dans leurs métadonnées (p. ex. `userId`), ces champs peuvent être marqués comme sensibles. En marquant ces champs comme sensibles pour afficher ces métadonnées, vous devez disposer d'autorisations utilisateur améliorées.