- 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
- Configuration des champs généraux
- Utilisation de champs généraux dans votre application
- 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
Configuration des champs généraux
linkCette boîte aux lettres reçoit les demandes de renouvellement, d’annulation et d’administrateur qui sont parfois Urgents. Communications Mining™ a été entraîné de manière à reconnaître chacun de ces concepts, et les prédictions Communications Mining peuvent être utilisées afin de trier les e-mails à l’équipe appropriée en créant des tickets d’assistance.
Étant donné que le format du numéro de police est spécifique à cet assureur particulier, nous configurons le champ général pour qu'il puisse être entraîné à partir de zéro. D’autre part, l’organisation assurée est un type d’organisation, nous la configurons donc pour qu’elle puisse être entraînée en fonction du champ général Organisation (Organization) intégré. Enfin, nous remarquons que les courtiers n'inscrivent pas toujours leur nom dans l'e-mail. Nous décidons donc d'utiliser l'adresse e-mail du courtier (disponible à partir des métadonnées de commentaire) pour rechercher le nom correspondant dans une base de données interne, plutôt que de l'extraire comme champ général.
Le tableau ci-dessous résume ces approches.
Configuration | Quand l'utiliser | Exemples |
---|---|---|
Champ général pouvant être entraîné sans champ général de base | Le plus souvent utilisé pour différents types d'ID internes, ou lorsqu'il n'y a pas de champ général de base approprié dans Communications Mining. | Numéro de police, ID client |
Champ général pouvant être entraîné avec champ général de base | Utilisé pour personnaliser un champ général préconstruit existant dans Communications Mining. | Date d'annulation (basée sur la date), organisation assurée (basée sur l'organisation) |
Champs généraux pré-construits (ne peuvent pas être entraînés) | Utilisé pour les champs généraux qui doivent correspondre exactement tels que définis, où l'entraînement inviterait des erreurs. | est dans |
Utilisation de métadonnées de commentaire au lieu de champs généraux | Utilisé lorsque les informations requises sont déjà présentes sous forme structurée dans les métadonnées de commentaire. | Adresse de l’expéditeur, domaine de l’expéditeur |