- 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’extraction générative (GenEx) est une nouvelle fonctionnalité innovantes pour UiPath® Communications Mining™ qui exploite l’IA générative afin de comprendre les relations complexes entre plusieurs requêtes et les points de données requis pour les traiter.
Un e-mail peut contenir plusieurs demandes, chacune nécessitant plusieurs champs extraits pour activer l'automatisation. L'automatisation de bout en bout nécessite non seulement une extraction correcte du champ, mais également une compréhension de la manière dont chacun de ces éléments est lié les uns aux autres. GenEx fait considérablement progresser l’étendue des possibilités de l’automatisation basée sur les communications.
L’extraction générative exploite les toutes dernières fonctionnalités de traitement de langage naturel et fournit également les garde-fous nécessaires requis par les entreprises pour mettre en œuvre des automatisations complexes basées sur la communication dans les processus métier.
Les processus plus complexes et les communications contenant plusieurs requêtes différentes peuvent désormais également être les meilleurs candidats à l’automatisation.
Pour certains cas d’utilisation, les extractions peuvent être générées sans entraînement et peuvent être affinées avec peu de données d’entraînement.
- Reconnaît les relations : l’extraction générative permet d’identifier la relation entre les différents concepts et les différents points de données dans les communications. Par exemple, l’identification d’une demande de modification d’adresse de politique, le numéro de politique de la politique qui doit être mise à jour, l’ancienne adresse et la nouvelle adresse vers laquelle la mettre à jour.
- Utilise des modèles génératifs : utilise des modèles LLM génératifs de pointe pour prédire les intentions spécifiques et mapper chacun des points de données correspondants, en les extrayant dans un schéma structuré à des fins d’automatisation, le tout avec un minimum d’entraînement.
- Automatise plusieurs requêtes : cela permet l'automatisation de plusieurs requêtes au sein d'une seule communication, qu'il s'agisse de la même requête répétée pour différents points de données ou de nombreux types de requêtes différents avec chacun son propre schéma de points de données requis pour le traitement automatisé.
Les étapes suivantes décrivent le processus de bout en bout de validation des extractions. Chaque étape est expliquée en plus de détails dans les sections suivantes.
- Définissez votre schéma d’extraction :
- Identifiez les processus, c'est-à-dire les libellés que vous souhaitez automatiser, et les points de données, c'est-à-dire les champs, qui doivent être capturés pour activer l'automatisation.
- Créez le schéma d’extraction correspondant.
- Générer des extractions :
- La génération d’extractions vous permet d’accélérer considérablement le processus de recherche et de rapport des données. Pour certains cas d’utilisation, la plate-forme ne nécessite pas d’exemples de formation pour générer ses extractions.
- Utilisez les capacités génératives de la plate-forme pour créer vos extractions initiales.
- Valider et corriger les extractions :
- Examinez les extractions de la plate-forme et acceptez-les si elles sont exactes ou corrigez-les si elles ne le sont pas.
- La plate-forme est flexible et simple, et vous pouvez ajouter de nouveaux schémas d'extraction à tout moment du processus d'entraînement.
- Examinez la validation des extractions :
- Vérifiez le bon niveau de performance de vos extractions dans l’onglet Validation .
- Déterminez si vos extractions présentent un niveau de performances adapté à votre cas d’utilisation .
Workflow d’extraction générative
Lors de la configuration de votre schéma d’extraction, vous devez décider quels processus, c’est-à-dire les libellés, vous souhaitez automatiser.
Pour que la plate-forme comprenne les relations entre le processus et les points de données qui doivent être extraits, la plate-forme vous invite à fournir les points de données appropriés. `La section sur la configuration des champs explique davantage de détails sur les bonnes pratiques et son fonctionnement spécifique.
