- 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
- Meilleures pratiques de conception de taxonomie
- Définition des objectifs de taxonomie
- Création de la structure de taxonomie
- Importer la taxonomie
- 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
Avant de commencer à entraîner votre modèle, assurez-vous de comprendre comment aborder votre taxonomie, y compris en créant vos libellés, et ce qu’ils doivent capturer. Vous devez également définir les points de données clés (champs généraux) que vous souhaitez entraîner si vous prévoyez d’explorer et de mettre en œuvre des automatisations.
La taxonomie est un ensemble de libellés appliqués aux messages d'un ensemble de données, structuré de manière hiérarchique. Il peut également faire référence aux types de champ général activés dans un ensemble de données et les inclure, bien que ceux-ci soient organisés dans une hiérarchie plate.
Cette section fait référence à la taxonomie des libellés.
Un cas d’utilisation réussi repose principalement sur un ensemble d’objectifs clairement défini. Les objectifs garantissent non seulement que tout le monde travaille à un objectif commun, mais ils vous aident également à décider du type de modèle que vous souhaitez construire et façonner la structure de votre taxonomie. Au final, vos objectifs dicteront les concepts que vous allez entraîner la plateforme.
Les taxonomies peuvent être ciblées en vue d’atteindre des objectifs d’automatisation, d’analyse ou des deux. Lors de la conception de votre taxonomie, vous devez vous poser les questions suivantes :
- Quelles intentions ou concepts dois-je reconnaître aux données pour générer les automatisations ou les informations dont j’ai besoin ?
- Tous ces concepts sont-ils reconnaissables uniquement à partir du texte du message ?
- Certains concepts doivent-ils être structurés d'une certaine manière pour faciliter des actions spécifiques ?
De plus, avec un entraînement suffisant, vos libellés devraient créer une représentation précise et équilibrée de l'ensemble de données, dans le contexte de vos objectifs. Par exemple, couvrant tous les types de requêtes qui seront automatiquement acheminées en aval.
Vous ne pourrez peut-être pas atteindre tous vos objectifs avec une seule taxonomie dans un ensemble de données. Si vous souhaitez obtenir des analyses globales et détaillées pour un canal de communication, mais également automatiser un nombre sélectionné de types de requêtes entrantes dans des files d'attente de workflows, vous aurez peut-être besoin de plus d'un jeu de données pour faciliter cette opération.
Il est généralement préférable de ne pas essayer et de tout réaliser en même temps dans une taxonomie à plusieurs fins prolifération, car cela peut devenir très difficile de s’entraîner et de maintenir des performances élevées. Il est plus simple de commencer par une taxonomie à des fins spécifiques, par exemple analyser les données des commentaires des clients liés à l'application pour les demandes de fonctionnalités d'un produit et les bogues, ou surveiller la qualité du service client dans une boîte de réception d'une équipe d'exploitation.
Une décomposition des différents types d’objectifs est expliquée dans l’article suivant sur l’analyse par rapport aux cas d’utilisation axés sur l’automatisation.
