- 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
- 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
Cette page explique comment Communications Mining™ utilise le traitement du langage naturel (NLP) et l’apprentissage automatique (ML) pour transformer des messages non structurés en données structurées, ce qui permet des informations, de l’automatisation et de l’évolutivité. Il détaille les principes de base de la NLP, c’est-à-dire le fonctionnement de bout en bout de Communications Mining, de la connexion aux données à l’apprentissage et à la validation des modèles, et met en évidence la valeur métier, les capacités d’intégration et les avantages pour les utilisateurs et les entreprises.
Le traitement du langage naturel (NLP) est un domaine de l’apprentissage automatique (ML) axé sur la création d’outils capables de comprendre et de traiter automatiquement les données en langage naturel, de la même manière que les humains.
L’objectif des outils de traitement de langage naturel est de prendre des données de communication non structurées et de les transformer en données exploitables et structurées en comprenant les intentions, les thèmes et les concepts à l’intérieur et en extrayant les points de données clés.
Les entreprises sont basées sur la communication, ce qui signifie que presque chaque processus, à un moment donné, nécessite une conversation. Les communications entre les e-mails, les tickets et les systèmes CRM sont essentielles pour terminer un processus.
De l’assistance aux ventes aux finances, en passant par les services, la communication entre eux est désormais possible.
- Volume trop élevé pour suivre le rythme de chaque jour sans perdre de temps et de ressources.
- Une croissance exponentielle à mesure que les employés et les clients communiquent plus que jamais.
- Multi-canal pour les employés et les clients, comme les e-mails, tickets d'assistance, enquêtes, chat et téléphone.
- Connaître et agir manuellement par le personnel via des processus coûteux, inexacts et inefficaces.
Le nombre d’e-mails, de tickets et de messages augmente chaque année, optimisant ainsi les services. Cela augmente le coût du service et nuise à l’expérience des employés et des clients.
Heureusement, NLP, une branche de l’IA qui vise à aider les machines à lire et à comprendre le langage humain, a connu des progrès considérables au cours des dernières années.
Le NLP a rejoint l’âge de l’IA et représente désormais l’humain dans la compréhension du langage et la compréhension de la lecture.
Cela génère de nouvelles solutions et opportunités pour l'entreprise.
Grâce au traitement du langage naturel, il est désormais possible de comprendre les communications à grande échelle, ce qui permet aux entreprises de :
- Comprendre ce que chaque client veut.
- Suivez et mesurez toutes les demandes de services en temps réel.
- Automatisez chaque requête transactionnelle.
L’avantage du traitement automatique est qu’il permet d’affranchir les employés hautement qualifiés du travail administratif, réduisant ainsi le coût du service et améliorant l’expérience.
Communications Mining est un domaine qui porte sur la compréhension et l’extraction de valeurs à partir de données de communications.
La pratique de conversion des informations non structurées contenues par ces dernières en données structurées et lisibles par une machine, peut ensuite être utilisée à des fins d'analyse et d'automatisation.
- Process Mining capture les processus métier de bout en bout. Il extrait les données brutes des principales applications métier, telles que les ERP et le CRM, et les transforme en graphiques et tableaux de bord intuitifs, afin de découvrir les opportunités d’optimisation et d’automatisation des processus.
- Task Mining capture les tâches ou les étapes de processus individuelles d’un sous-processus spécifique. Il enregistre et capture les tâches effectuées directement sur le bureau d’un utilisateur et visualise leur workflow pour identifier les activités et les variations répétitives, qui sont les meilleurs candidats à l’automatisation.
- Communications Mining capture des données conversationnelles, telles que des e-mails, des tickets, des notes, des transcriptions, des réponses à des enquêtes, etc. Il transforme les données de communication numériques en format structuré afin de générer des informations et de permettre l’automatisation en aval.
Communications Mining automatise l’interprétation des communications, aidant les entreprises à comprendre et à automatiser les messages rapidement et à grande échelle, sur n’importe quel canal.
Cette solution combine l'apprentissage automatique (ML), le traitement automatique des langues (TAL) et l'apprentissage supervisé généré par les employés dans une solution puissante, sans code et utilisable par tout le monde.
Elle offre une visibilité complète sur les canaux tels que les e-mails, les tickets et les commentaires des clients, permettant aux entreprises de mieux comprendre leurs clients et les domaines où les améliorations auront le plus d’impact.
De plus, il permet une automatisation intelligente à partir des communications, car il génère les données structurées requises par les automatisations en aval pour les demandes d’action sans intervention humaine.
- Augmentez l’efficacité.
- Améliorer l’expérience client.
- Améliorez la gouvernance et le contrôle.
Tous les points énumérés ci-dessus permettent de générer de la valeur rapidement et à grande échelle, en heures plutôt qu'en mois.
L'image suivante contient un aperçu du parcours type de vos données au sein de la plateforme :
- Connecteurs prédéfinis pour l’ingestion dans le magasin de communications historique. Segment ML et moteur de nettoyage du propriétaire pour nettoyer les données.
- Les modèles propriétaires de Deep Learning Sentence extraient la sémantique pour un apprentissage efficace des données.
- Les modèles d’apprentissage non supervisés propriétaires identifient les intentions communes et en recherchent constamment de nouvelles.
- Entraînez efficacement des modèles supervisés sur mesure dans notre moteur et notre interface d’apprentissage actif .
- Statistiques agrégées en temps réel pour des informations de gestion et des analyses basées sur le sens.
- Validation du modèle en temps réel et gestion du cycle de vie des modèles.
La vue d’ensemble suivante décrit les étapes impliquées dans l’automatisation de vos données avec Communications Mining :
- Connecter : se connecte à vos canaux de données de communications non structurées.
- Découvrir : identifie et rassemble des groupes de communications qui partagent des thèmes et des concepts similaires.
- Entraîner : génère les données d'entraînement du modèle.
- Prévoir : prévoit des libellés structurés et des champs généraux pour chaque communication.
- Valider - avant de s'appuyer sur des prédictions pour déterminer les décisions à prendre, la plate-forme garantit une transparence totale en validant automatiquement les performances du modèle à chaque réentraînement.
- Analyser : une fois satisfaite des performances du modèle, la plate-forme fournit des informations exploitables en combinant les prédictions avec des métadonnées, en découvrant les processus et les canaux de communication cachés.
- Automatiser : déployez des modèles entraînés pour activer les automatisations en production.
Tout d’abord, Communications Mining se connecte à vos canaux de données de communication non structurées, telles que les boîtes de réception partagées par e-mail, les tickets de workflow, les collections de réponses à des enquêtes, etc.
L'intégration de ces données à la plateforme peut se faire via :
- Intégration en direct avec des connecteurs prédéfinis, pour des canaux tels que Microsoft Exchange ou Salesforce.
- Création d'intégrations d'API.
- Téléchargement de données historiques, via CSV ou notre API.
Découvrir
Une fois que vous avez téléchargé les données, la plate-forme lance automatiquement le processus de découverte.
Il utilise l'apprentissage non supervisé pour regrouper des groupes de communications qui partagent des thèmes et des concepts similaires.
Ces clusters peuvent être liés à des processus, des demandes, des problèmes ou des sentiments répétitifs. Ils peuvent à la fois nous aider à définir la bonne structure pour notre modèle et à accélérer la première étape de l’entraînement du modèle.
La plate-forme commence à mieux comprendre les données en examinant ces clusters et en appliquant des libellés et des champs qui capturent les concepts et les points de données pertinents.
Entraîner
Ensuite, nous utilisons une variété de modes d'entraînement pour créer les données d'entraînement de notre modèle.
L'image suivante illustre comment nous exigeons de la plate-forme d'identifier en toute confiance ces libellés et ces champs à travers l'ensemble de nos données disponibles.
Ces modes d'entraînement sont conçus pour maximiser l'impact des actions d'entraînement et minimiser le temps consacré à la formation. Pendant ce temps, l’interface sans code de la plateforme signifie qu’un entraîneur de modèle peut être n’importe quel utilisateur professionnel travaillant sur le canal de communication. Aucun scientifique ou ingénieur de données n’est requis.
À chaque action d’entraînement, la plate-forme s’adapte en permanence, améliorant sa compréhension de chaque concept et de chaque point de données, et met à jour ses prédictions en temps réel.
En annotant un petit échantillon représentatif de données d'entraînement, la plate-forme est en mesure d'appliquer sa compréhension de chaque étiquette et champ général à grande échelle, en interpréter et à faire automatiquement des prédictions sur l'ensemble de données.
Prévoir (Predict)
Cela va créer des libellés structurés ainsi que des prédictions de champs généraux, chacun disposant de ses propres scores de confiance, pour chaque communication. Voici un exemple : l’image suivante illustre comment Communications Mining interprète un e-mail et en extrait les données structurées pertinentes :
Ces prédictions sont rendues disponibles à des fins d’analyse dans la plateforme ou via l’API, que les robots UiPath® ainsi que d’autres outils peuvent utiliser à des fins d’automatisation ou d’analyse.
Valider
Avant de nous fier à ces prédictions pour influencer les décisions ou permettre d’activer l’action, nous devons savoir comment notre modèle se comporte.
La fonctionnalité de validation de la plate-forme offre une transparence totale en matière de performances, en validant votre modèle chaque fois qu’il est réentraîné.
Nous pouvons facilement comprendre si notre modèle fonctionne comme il le devrait pour tous les facteurs de performance clés qui sont agrégés en une seule notation de modèle pour plus de simplicité.
La plate-forme guide également les entraîneurs de modèles pour apporter des améliorations au besoin avec les meilleures actions recommandées.
Analyser
Une fois que nous sommes satisfaits des performances de notre modèle, nous pouvons générer très rapidement des informations précieuses et exploitables à partir de ces conversations professionnelles.
La plate-forme regroupe toutes les prédictions des libellés et des champs avec des métadonnées clés pour fournir une multitude de données consultables, offrant ainsi une visibilité sur les processus et canaux auparavant masqués.
Cela permet aux utilisateurs d'effectuer l'une des actions suivantes, entre autres :
- Créez des tableaux de bord dynamiques personnalisés pour suivre les mesures clés et la qualité du service fourni aux clients.
- Exécutez des analyses pour identifier les opportunités d’amélioration des processus ou de l’expérience client.
- Configurez des alertes pour surveiller les performances du canal et les événements à risque.
Outre les analyses, nous pouvons déployer des modèles entraînés pour activer les automatisations de production.
Les robots UiPath® et les systèmes en aval peuvent utiliser les données structurées créées par Communications Mining™ pour étendre l’automatisation aux processus basés sur les services et les conversations. Cela permet aux entreprises d’automatiser les requêtes et les workflows transactionnels.
UiPath peut désormais automatiser des tâches de bout en bout, telles que le tri des e-mails, la mise à jour des informations client et la création d’incidents.
Les principales entreprises font confiance à Communications Mining pour analyser et automatiser leurs communications, pour plusieurs raisons :
- Aucun code : nous rendons NLP accessibles aux utilisateurs professionnels. L’interface zéro code de la plateforme propose une expérience utilisateur guidée que tout employé peut utiliser, indépendamment de ses compétences techniques.
- Entièrement personnalisable : vous pouvez créer des modèles entièrement personnalisés qui extraient les intentions, les thèmes et les sentiments précis dont votre entreprise a besoin.
- Précisé : vous pouvez entraîner des modèles précis avec un nombre minimal de données d'entraînement, ainsi qu'une transparence totale sur les performances du modèle, afin d'éviter des résultats inattendus en production.
- Rapide à s’entraîner : vous pouvez réduire les coûts et les efforts, ainsi que la confiance élevée, grâce à des modèles qui s’entraînent rapidement et s’adaptent rapidement.
- Hyper évolutif : vous devrez commencer petit pour réussir, mais vous aurez besoin d'une solution rapidement adaptée à vos besoins pour des cas d'utilisation plus importants, comme notre plate-forme le fait.
- Surveillance et alertes en temps réel : grâce à des tableaux de bord configurables, des alertes par e-mail et des rapports suivant les mesures clés en temps réel, vous disposerez de toutes les données dont vous avez besoin pour prendre des décisions proactives et éclairées.
- Sécurisé : avant tout, vous avez besoin d'une solution dans laquelle vous pouvez faire confiance à vos données, et nos autorisations et chiffrement de la plate-forme garantissent la sécurité et la protection des données client.
- Facile à intégrer - Nous avons des intégrations pré-construites pour les canaux de communication clés, des API faciles à utiliser avec des API et des connecteurs pour le workflow et la RPA, ce qui permet de l'adapter facilement à votre pile technologique.
Notre solution ouvre la puissance de l’IA et du traitement de langage naturel à tous les utilisateurs professionnels, et pas seulement aux scientifiques des données et aux ingénieurs. Certains des avantages sont :
- Mieux comprendre vos clients que jamais : découvrez à grande échelle les problèmes qui génèrent la demande des clients et les actions qui génèrent de meilleurs résultats.
- Profitez d'un travail plus intéressant : bénéficiez d'automatisations puissantes qui s'occupent du travail de communication ennuyeux et répétitifs.
- Concentrez-vous sur le travail qui compte : Donnez plus de temps aux clients et aux workflows qui créent une réelle plus-value.
Communications Mining offre aux entreprises une visibilité opérationnelle complète, vous permettant de comprendre et d’optimiser votre entreprise comme jamais auparavant.
- Développer le retour sur investissement de la transformation numérique : réalisez une capture ML plus rapidement et plus précisément, et identifiez en toute confiance les meilleures opportunités de changement.
- Transformer l'expérience client : comprenez les facteurs clés du workflow et du contact client à la source et identifiez les éléments clés de la réussite des clients.
- Améliorez l’efficacité opérationnelle et les performances opérationnelles : faites rapidement évoluer vos opérations grâce à l’automatisation du travail basé sur les communications.
- Traitement du langage naturel (NLP)
- Comprendre l’importance de la NLP pour les entreprises
- Solutions NLP
- Communications Mining
- Différences entre Communications Mining™, Task Mining™ et Process Mining™
- Comprendre Communications Mining
- Impact client
- Fonctionnement de Communications Mining
- Le processus détaillé de Communications Mining
- Pourquoi les entreprises s’appuient sur Communications Mining
- Ce que Communications Mining signifie pour vous
- Ce que Communications Mining signifie pour votre entreprise