- 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
- 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
L’ annotation générative utilise le point de terminaison Microsoft Azure OpenAI pour générer des libellés suggérés par l’IA afin d’accélérer la conception de la taxonomie et les premières phases de l’entraînement du modèle, ainsi que réduire le délai de rentabilisation dans tous les cas d’utilisation de Communications Mining™.
L’annotation générative comprend :
- Suggestions de cluster : libellés nouveaux ou existants suggérés pour les clusters en fonction de leurs thèmes identifiés.
- Annotation assistée : prédictions automatiques pour les libellés en fonction des noms de libellé ou des descriptions.
Les fonctionnalités d’ annotation générative sont automatiquement activées sur les ensembles de données, aucune autre action n’est requise.
Une fois qu'un ensemble de données est créé, des suggestions de cluster sont automatiquement générées dans un court laps de temps. Si une taxonomie a été téléchargée, ce qui est fortement recommandé, Communications Mining™ suggère à la fois les libellés existants et les nouveaux pour les clusters.
Lorsque vous téléchargez une taxonomie sur un ensemble de données, cela déclenche également automatiquement l’entraînement d’un modèle initial sans données d’entraînement, en utilisant uniquement des noms de libellé et des descriptions. Cette action peut prendre quelques minutes à partir du chargement de la taxonomie.
- Pour les Suggestions de cluster, accédez à l'onglet Entraîner et sélectionnez un lot de clusters. Vous pouvez également accéder à l'onglet Découvrir et sélectionner le mode Cluster pour commencer l'annotation.
- Pour l' annotation assistée, accédez à l'onglet Entraîner et suivez les actions recommandées. Vous pouvez également accéder à l'onglet Explorer et sélectionner le mode Mélanger ou Apprendre au libellé pour commencer l'annotation.
Les suggestions de cluster apparaîtront pour chaque page Cluster . Il peut s'agir d'un ou de plusieurs libellés suggérés pour chaque cluster.
Si vous avez activé l' analyse des sentiments des libellés , les suggestions de cluster auront un sentiment positif ou négatif, qui peut être surligné en vert ou en rouge.
Pour identifier un libellé suggéré par l'IA, consultez l'image suivante :
Les entraîneurs de modèles doivent examiner chaque suggestion de cluster et effectuer l'une des opérations suivantes :
- Acceptez-le en le sélectionnant.
- Attribuez un nouveau libellé, s’il n’est pas d’accord avec la suggestion donnée.
Les suggestions de cluster peuvent accélérer considérablement la première phase du processus d’entraînement du modèle en générant automatiquement des libellés suggérés pour chaque cluster. Cela peut également être utile pour la conception de la taxonomie si les utilisateurs éprouvent des difficultés à définir les concepts qu'ils souhaitent former.
Des suggestions de cluster sont générées en fonction du thème identifié partagé entre les messages d'un cluster.
La création de clusters et la génération de suggestions de libellés est un processus automatique et entièrement non supervisé sans intervention humaine requise.
Les suggestions de libellés sur les clusters seront générées avec ou sans taxonomie prédéfinie, mais les suggestions seront influencées et généralement plus utiles en tirant parti des libellés importés ou existants.
- Vous devez avoir attribué le rôle Entraîneur de modèles IXP en tant qu'utilisateur d'Automation Cloud™, ou l'autorisation Révision et libellé en tant qu'utilisateur hérité.
- Une liste importée de noms de libellés.
- En option, une liste importée des descriptions de libellés est fortement recommandée. La plate-forme utilise des descriptions comme entrée d’entraînement pour faire des prédictions : assurez-vous donc d’être clair et concis lors de la description du concept de libellé.
Une fois que le modèle initial s'est automatiquement entraîné à l'aide de noms de libellés et de descriptions comme entrée d'entraînement, des prédictions apparaîtront pour de nombreux messages de l'ensemble de données.
Ces prédictions fonctionnent exactement de la même manière qu’auparavant, ce qui signifie qu’elles sont simplement générées sans données d’entraînement.
Si vous avez activé l' analyse des sentiments des libellés , les prédictions initiales présenteront un sentiment positif ou négatif dans différentes nuances de vert ou de rouge, selon le niveau de confiance.
L' annotation assistée fonctionne dans n'importe quel lot ou mode d'entraînement, mais elle est la plus efficace pour être utilisée dans Mélanger et Apprendre au libellé. Vous devez suivre les étapes d'annotation régulières dans chaque lot d'entraînement dans les onglets Entraîner ou Explorer .
Comment les fonctionnalités d’annotation assistées prennent-elles en charge l’entraînement des modèles
L’annotation assistée peut accélérer considérablement la deuxième phase du processus d’entraînement du modèle en générant automatiquement des prédictions pour chaque libellé avec un contexte suffisant, sans aucun exemple d’entraînement requis.
Les prédictions initiales seront déterminées par la qualité des noms de libellés et des descriptions en langage naturel. Par exemple, les noms vagues peuvent conduire à des prédictions vagues ou minimales. Les descriptions détaillées des libellés peuvent améliorer les performances initiales du modèle.
Au fur et à mesure que vous entraînez votre ensemble de données, la plate-forme utilise à la fois les noms et descriptions de libellé et vos exemples épinglés pour générer des prédictions de libellé pertinentes.
Ceux-ci continueront de s'améliorer avec plus d'entraînement et, au final, ne s'appuyeront que sur des exemples d'entraînement annotés une fois que suffisamment d'exemples d'entraînement ont été fournis.
L’annotation assistée nécessite toujours un apprentissage supervisé en acceptant ou en rejetant les prédictions, mais elle accélère la partie la plus chronophage de l’entraînement du modèle en fournissant de meilleures prédictions avec zéro ou très peu d’exemples épinglés.
