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
- 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
Dernière mise à jour 10 nov. 2025
Pour vous assurer que le modèle renvoie les prédictions les plus pertinentes, vous devez définir correctement votre taxonomie pour chaque ensemble de données. Il s'agit d'une étape critique dans le processus d'extraction générative, car l'apprentissage et les prédictions du modèle sont basés sur les détails que vous définissez au préalable.
Définissez tout d'abord votre taxonomie comme suit :
- Connectez-vous à Communications Mining™ pour accéder à la page des ensembles de données.
- Sélectionnez Nouvel ensemble de données (New dataset) pour créer un nouvel ensemble de données et remplissez les champs requis. Pour plus de détails, consultez Créer un nouvel ensemble de données (Create a new dataset).
- Sélectionnez Suivant.
- À l’étape Définir un libellé (Define label) , sélectionnez Ajouter un libellé (Add label).
- Définissez et structurez correctement le libellé et fournissez une description claire de son contenu.
Par exemple, vous pouvez ajouter des libellés individuels sans structure, tels que Libellé 1 ou Libellé 2, ou bien créer une hiérarchie avec la structure
Parent label > Branch label > Child label. Cette hiérarchie de libellés représente la taxonomie de cet ensemble de données particulier. Pour plus de détails, consultez la section Hiérarchie de libellés. - Sélectionnez Créer.
Remarque : pour afficher ou modifier la taxonomie d'un ensemble de données, dans le panneau latéral des onglets Parcourir (Explore) ou Rapports (Reports) , faites défiler jusqu'à accéder à la section Libellés (Labels ).
Une fois votre taxonomie configurée, déterminez les processus que vous souhaitez automatiser.
Ensuite, identifiez les points de données ou les champs spécifiques qui doivent être extraits des documents.
Enfin, organisez les points de données en une structure cohérente (c'est-à-dire schéma d’extraction), qui guidera le processus d’extraction des données. Pour créer le schéma d'extraction, configurez les champs via les onglets Entraîner (Train), Parcourir (Explore) ou Paramètres (Settings) et configurez les types de champs.
Pour plus de détails, consultez les ressources suivantes :
