- 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
- 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
- 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
- Vue d'ensemble (Overview)
- Utilisation des rapports
- Filtrage des rapports
- Autopilot™ pour Communications Mining - Filtres de conversation (Aperçu)
- 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
- 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
Guide de l’utilisateur de Communications Mining
Le filtrage des conversations est une fonctionnalité d' Autopilot pour Communications Mining qui vous aide à obtenir les réponses nécessaires plus rapidement.
Il transforme les requêtes de langage naturel en ensemble de filtres nécessaires pour y répondre. Si vous ne savez pas quels filtres vous devez répondre à une question ou comment les appliquer correctement, il fait le plus gros du travail pour vous. Cela vous aide à tirer le meilleur parti des analyses dans Communications Mining, avec un minimum d'expérience.
Les filtres de conversation sont disponibles pour tous les utilisateurs dont le bouton Utiliser les fonctionnalités d'IA générative ( Use generative AI features ) est activé dans les paramètres du jeu de données. Ce bouton est généralement activé lors de la création du jeu de données.
Pour utiliser des filtres de conversation, procédez comme suit :
- Saisissez une requête, telle que Afficher les messages transactionnels, puis appuyez sur Entrée.
- Attendez que Communications Mining comprenne la requête, mappez-la à l'ensemble de filtres approprié et applique-les pour vous.
- Le filtre génère une réponse. La réponse confirme le nombre de filtres qui ont été identifiés dans le message et le nombre qui ont été appliqués avec succès. Cela permet d'identifier si une requête a été partiellement réussie et vous permet de modifier la requête si nécessaire ou d'appliquer manuellement les filtres restants.
Si une demande échouait partiellement, l'une des valeurs de la requête était probablement non identifiable et peut ne pas être présente dans l'ensemble de données.
Si vous devez modifier la requête pour l'affiner, ajustez le libellé, puis appuyez à nouveau sur Entrée . Il efface automatiquement les filtres actuellement appliqués, puis applique l'ensemble de filtres identifiés dans la requête.
Les filtres de conversation passent uniquement de la vue Message à la vue Flux de travail dans Rapports. L'affichage des fils de discussion n'est pas disponible dans Parcourir ( Explore), car les messages sont déjà affichés dans le contexte de leur fil de discussion.
-
À partir d’une période spécifique: affichez-moi les messages de [insérer la période].
-
À partir d'un expéditeur ou d'un domaine d'expéditeur spécifique: affichez-moi les messages de [insert email/email domain].
-
Messages ou fils de discussion:
- Dans Rapports, vous pouvez faire passer de la vue Messages à la vue Fils de discussion en ajoutant des fils de discussion Afficher ou des conversations Afficher à votre requête.
- De même, pour revenir à la vue Messages , ajoutez des messages de message ou des e-mails de montre-moi.
-
Découverte de l'opportunité:
-
- Afficher-moi les messages transactionnels : ils ont de courtes longueurs de fil de discussion (2 à 4 messages) et peuvent être de principaux candidats à l'automatisation.
- Afficher les demandes contenant des documents acceptés par Document Understanding : celles-ci peuvent être des candidats au traitement avec Document Understanding en aval.
- Afficher les messages montrant les niveaux de service très mauvais [ou très mauvais] – si la qualité de service est activée et configurée, cela permet d'identifier les messages et les libellés problématiques.
Si le filtre ne reconnaît pas la requête ou si la requête expire, un message d'erreur s'affiche.
Si une demande échouait, les valeurs de la requête étaient probablement non identifiables et peuvent ne pas être présentes dans l’ensemble de données.
Modifiez la requête, recherchez des fautes de frappe ou des erreurs et réessayez.
