- 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
- 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
- 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
Le processus de validation d’ extraction est nécessaire pour comprendre les performances de ces extractions via la validation.
Décidez de l'extraction que vous souhaitez entraîner. Rapport > Relevé des comptes est un exemple de schéma à entraîner.
Pour automatiser ce processus, extrayez les points de données suivants à saisir dans un système en aval :
Utilisez ce mode d'entraînement selon vos besoins pour augmenter le nombre d'exemples d'entraînement pour chaque extraction, c'est-à-dire un ensemble de champs attribués à un libellé, à au moins 25. Cela permet au modèle d’estimer avec précision les performances de l’extraction.
Pour générer vos extractions, procédez comme suit :
- Accédez à l'onglet Explorer .
- Sélectionnez Libellé, puis sélectionnez le libellé sur lequel vous souhaitez générer des extractions.
- Sélectionnez Prévoir les extractions, qui génère des extractions par page dans Explorer. Cela signifie qu’il applique les prédictions sur tous les commentaires d’une page donnée.
Remarque : chaque fois que vous accédez à la page suivante, vous devez sélectionner à nouveau Prévoir les extractions ( Predict extractions ).
In addition, you can generate extractions on an individual comment level by selecting Annotate Fields, and then Predict extractions. For more details, check Predicting extractions.
-
After making the extraction predictions, if the model picked up field extractions on the comment, it highlights the relevant span in the text. The model displays the extracted value in the side panel. To learn how to validate the predicted values, check Validating and annotating generated extractions.
Cette section décrit ce qui se passe lorsque vous prévoyez des extractions :
- Le modèle utilise des modèles génératifs et mappe chacun des points de données que vous avez précédemment définis dans notre schéma d’extraction afin de les lier à une intention, c’est-à-dire à un libellé.
- Il les extrait et les renvoie dans un schéma structuré, pour qu'une PME puisse les parcourir et les confirmer.
- Le schéma structuré est destiné à permettre des automatisations plus complexes et est structuré au format JSON dans l'API pour être utilisé par toutes les automatisations en aval.