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 des 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
- Entraînement des données de chat et d'appels
- 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
- 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
- Intégration avec Exchange auto-hébergée
- Infrastructure d’automatisation UiPath®
- Activités UiPath® Marketplace
- 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 11 août 2025
Le package d’ activités Communications Mining vous permet d’utiliser les résultats des flux Communications Mining™. Dans ce tutoriel, vous pourrez voir un exemple du processus de soumission des factures.
Vous apprendrez à utiliser un flux Communications Mining, identifier les demandes de soumission de factures et télécharger les pièces jointes associées à partir des communications.
- Résultats : une représentation d’une communication renvoyée par le flux Communications Mining™. Les résultats contiennent deux propriétés clés :
comment
: contient toutes les informations sur la communication ayant été téléchargées sur la plate-forme, telles que l’objet, le corps et l’horodatage de la communication.prediction
: contient l’ensemble de prédictions qui sont renvoyées pour cette communication. Vous trouverez dans cette propriété desextractions
et desfields
.
- Extraction : prédiction liée à une instance spécifique d’une requête associée à un libellé, telle qu’une requête
Address Change
, ainsi que les champs liés à cette requête : adresse 1, ville, code postal. Pour chaque libellé, vous pouvez prédire plusieurs extractions sur chaque message. Un score deOccurrence Confidence
et deExtraction Confidence
est associé à chaque extraction. - Champ : un point de données extrait en tant que valeur d’un message.
Un champ peut appartenir à l’un des deux types suivants :
- champ général (non associé à des libellés).
- champ d’extraction (lié à un libellé spécifique et requis afin de pouvoir traiter les requêtes associées à ce libellé).
- Confiance d’occurrence : le niveau de confiance d’un modèle concernant la présence d’une instance d’extraction spécifique. Par exemple, le degré de confiance du modèle en la présence d’une deuxième requête
Change of Address
dans le message. - Confiance d’extraction : le niveau de confiance d’un modèle concernant le fait qu’une extraction spécifique soit correctement extraite, c’est-à-dire que l’extraction ait été correctement identifiée et que tous les champs aient été correctement identifiés et associés à l’extraction concernée.
- Seuil : chaque prédiction de libellé renvoyée par un flux contient une propriété
thresholds
. Cette propriété contient la liste des seuils qui ont été dépassés pour la prédiction donnée. Le seuil que vous configurez actuellement sur le flux est nomméstream
.
Prérequis
- Accès à Communications Mining™.
- Une intégration avec Microsoft Exchange configurée et remplissant une source.
- Un ensemble de données entraîné basé sur cette source.
- Un flux configuré à partir de cet ensemble de données entraîné.
Suivez les étapes ci-dessous pour utiliser
stream Results
et obtain attachments
.
Dans un projet Studio, faites glisser l’activité
Get Stream Results
depuis la bibliothèque d’activités Communications Mining™ et sélectionnez votre flux.
Faites glisser dans une boucle
For Each
et commencez à itérer le champ Results
de la variable de sortie à partir de l’activité Get Stream Results
.
Dans votre boucle
For Each
, ajoutez une instruction If
et vérifiez si la requête Invoice Submission
a été détectée avec l’expression suivante : result.Prediction.ContainsLabelExtraction("Invoice Submission")
Remarque : vous pouvez également accéder à toutes les valeurs de champ que vous avez configurées pour ce libellé avec l’expression
result.Prediction.GetLabelExtractions("Invoice Submission")(0).GetField("Invoice Date")
.
Insérez l’activité Récupérer une pièce jointe (Get Attachment) dans la section
Then
de votre instruction if. Vous pourrez alors récupérer la référence de la pièce jointe via l’expression suivante : result.Comment.GetAttachmentsByType("pdf")(0).AttachmentReference
.
Remarque : cette expression suppose qu’il existe au moins une pièce jointe PDF. Vérifiez en production que cela est effectivement le cas.
Vous pouvez à présent utiliser la pièce jointe téléchargée et la transmettre à Document Understanding :
- Obtenir les résultats de flux et obtenir les pièces jointes
- Concepts clés
- Étape 1 : connectez-vous à votre flux
- Étape 2 : commencez à mettre en boucle les résultats de votre flux
- Étape 3 : déterminez si le résultat constitue une soumission de facture
- Étape 4 : téléchargez la facture jointe
- Étape 5 : transmettez la pièce jointe à Document Understanding
- Étape 6 : faites progresser le flux