ixp
latest
false
- 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
- Téléchargement d’un fichier CSV dans une source
- Préparation des données en vue du téléchargement du fichier .CSV
- 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
- 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
Dernière mise à jour 20 oct. 2025
Le champ général surligné doit couvrir l’ensemble du mot, ou plusieurs, en question, et pas seulement une partie de celui-ci. N'incluez pas d'espaces supplémentaires à la fin du champ.
Comme pour les libellés, ne examinez pas partiellement vos champs généraux et d’extraction.
- Les champs généraux sont examinés au niveau du paragraphe, pas au niveau du message dans son intégralité. Lorsque vous recherchez des champs pour un paragraphe, passez en revue tous les champs du paragraphe.
Si vous ne confirmez pas un champ dans un paragraphe où vous avez labellisé d’autres champs, cela indique au modèle que vous ne considèrez pas comme un véritable exemple du champ prévu. Cela se reflète dans les scores de validation et dans les performances du champ général.
- Les champs d'extraction sont examinés au niveau du message, pas seulement au niveau du paragraphe. Lorsque vous consultez un message complet pour les champs, examinez tous les champs du message.
Si vous ne confirmez pas un champ d’un message où vous avez labellisé d’autres champs, indique au modèle que vous ne considèrez pas comme un véritable exemple du champ prévu. Cela se reflète dans les scores de validation et les performances des champs d’extraction.
Remarque : les considérations au niveau du champ, ainsi que les performances d’extraction et de libellé, sont les éléments les plus importants à retenir lorsque vous attribuez à la fois des champs généraux et des champs d’extraction.
- Les champs globaux ne peuvent pas se superposer les uns aux autres ou avec un autre exemple d'eux-mêmes.
- Les champs globaux et les champs d'extraction peuvent se superposer les uns aux autres.
- Vous pouvez utiliser la même période de texte autant de fois que nécessaire par différents champs d’extraction.
- Il n’y a actuellement aucun aperçu de la normalisation du champ général dans Communications Mining™. Les champs qui doivent être normalisés seront normalisés dans la réponse en aval. La normalisation dans Communications Mining sera disponible dans le modèle à l'avenir.
- Si un libellé enfant comporte des extractions, son parent n'hérite pas automatiquement des exemples d'extraction. Pour les libellés, son parent hérite automatiquement des exemples d'extraction.
- Le fait de fournir des exemples d’extraction supplémentaires n’améliore pas les performances d’un libellé. Pour améliorer les performances d'un libellé, concentrez-vous sur un entraînement spécifique au libellé.
- L'amélioration des performances du libellé vous permet d'augmenter la probabilité que vous capturez les occurrences où un libellé, puis ses extractions, auraient dû être prédits.
Pour améliorer les performances de vos extractions, fournissez des exemples validés sur les extractions elles-mêmes.
