- Introduction
- Configuration de votre compte
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Champs généraux
- Libellés (prédictions, niveaux de confiance, hiérarchie des libellés et sentiment des libellés)
- Modèles
- Flux
- Évaluation du modèle
- Projets
- Précision
- Rappel
- Messages annotés et non annotés
- Extraction des champs
- Sources
- Taxonomies
- Apprentissage
- Prédictions positives et négatives vraies et fausses
- Validation
- Messages
- Contrôle et administration de l'accès
- Gérer les sources et les jeux de données
- Comprendre la structure des données et les autorisations
- Créer ou supprimer une source de données dans l'interface graphique
- Préparation des données en vue du téléchargement du fichier .CSV
- Téléchargement d’un fichier CSV dans une source
- Téléchargement d'un fichier PST
- Création d'un ensemble de données
- Sources et jeux de données multilingues
- Activation des sentiments sur un ensemble de données
- Modification des paramètres du jeu de données
- Supprimer un message
- Supprimer un jeu de données
- Exporter un ensemble de données
- Utilisation d'intégrations Exchange
- Balises de transformation d’e-mail
- Entraînement et maintenance du modèle
- Comprendre les libellés, les champs généraux et les métadonnées
- Hiérarchie de libellés et meilleures pratiques
- Comparer les cas d’utilisation des analyses et des automatisations
- Transformer vos objectifs en libellés
- Présentation du processus d'entraînement du modèle
- Annotation générative
- 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)
- Affiner et réorganiser votre taxonomie
- Introduction à affiner
- Précision et rappel expliqués
- Précision et rappel
- Comment fonctionne la validation
- Comprendre et améliorer les performances du modèle
- Raisons de la faible précision moyenne des libellés
- 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
- Vue d'ensemble (Overview)
- Configurer des champs
- Filtrage par type de champ d’extraction
- Génération de vos extractions
- Validation et annotation des extractions générées
- Meilleures pratiques et considérations
- Comprendre la validation des extractions et des performances d'extraction
- Questions fréquemment posées (FAQ)
- Utilisation des analyses et de la surveillance
- Automations et Communications Mining™
- Développeur
- Charger des données
- Téléchargement de données
- Intégration avec l'utilisateur du service Azure
- Intégration avec l'authentification d'application Azure
- Intégration d’Exchange avec l’authentification et le graphique d’application Azure
- Guide de migration : Exchange Web Services (EWS) vers l'API Microsoft Graph
- Récupérer des données pour Tableau avec Python
- Intégration d'Elasticsearch
- Extraction de champ général
- Intégration avec Exchange auto-hébergée
- Infrastructure d’automatisation UiPath®
- Activités officielles UiPath®
- Comment les machines apprennent à comprendre les mots : guide d'intégration dans NLP
- Apprentissage basé sur des invites avec des Transformers
- Efficient Transformers II : Dilarisation des connaissances et affinement
- Transformateurs efficaces I : mécanismes d'attention
- Modélisation de l'intention hiérarchique profonde non supervisée : obtenir de la valeur sans données d'entraînement
- Correction des biais d’annotation avec Communications Mining™
- Apprentissage actif : de meilleurs modèles d'ML en moins de temps
- Tout est dans les chiffres : évaluer les performances du modèle avec des métriques
- Pourquoi la validation du modèle est importante
- Comparaison de Communications Mining™ et de Google AutoML pour l’information sur des données conversationnelles
- Licences
- FAQ et plus encore
Audit AI Trust Layer pour les fonctionnalités d’IA génératives de Communications Mining: quelles entrées et sorties LLM sont enregistrées pour chaque fonctionnalité et comment examiner la conformité.
La fonctionnalité Communications Mining envoie les requêtes du modèle LLM pour ses fonctionnalités d'IA générative via UiPath AI Trust Layer™, qui enregistre chaque opération dans un journal d'audit. Le journal d'audit donne aux administrateurs une visibilité sur les données envoyées aux LLM et les réponses qu'ils ont renvoyées, prenant en charge les exigences de conformité, de gouvernance et de transparence des données.
Afficher les entrées d'audit
Chaque opération apparaît dans l'onglet Audit de la page AI Trust Layer , sous le nom du produit IXP , y compris les entrées envoyées au LLM et les sorties qu'il renvoie.
Les entrées restent visibles pendant 60 jours et vous pouvez les exporter pour des périodes de rétention plus longues. Pour de plus amples informations sur la vue d'audit, les exportations et la rétention, consultez la section Consulter des journaux d'audit.
Fonctionnalités auditées
Les fonctionnalités d'IA générative suivantes sont enregistrées dans le journal d'audit, chacune avec l'entrée et la sortie répertoriées:
| Fonctionnalités | Entrée auditée | Sortie auditée |
|---|---|---|
| Extraction générative | La demande d’extraction, identifiée par l’ID du message | La réponse LLM brute contenant les prédictions renvoyées pour le message |
| Annotation générative | Un exemple de messages provenant des sources de l'ensemble de données | Les libellés renvoyés pour les exemples de messages |
| Libellés suggérés à partir des clusters | La liste des ID de message dans le cluster | Les libellés suggérés pour le cluster, avec le raisonnement qui les sous-tendent |
| Génération de taxonomie zéro-shot (aperçu) | La liste de libellés suggérés à partir des clusters | Le schéma de taxonomie généré |
| Filtres conversationnels (Aperçu) | L’invite de l’utilisateur | Le schéma de filtre généré |
Contrôler les données auditées
Les politiques Automation Ops pour AI Trust Layer contrôlent la façon dont les données d'audit sont gérées: vous pouvez désactiver l'enregistrement des entrées et des sorties, ou masquer les informations permettant d'identifier une personne avant que les demandes n'atteignent le LLM. Pour de plus amples informations, consultez la section Paramètres des politiques AI Trust Layer.