- 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
Un libellé est un résumé structuré d'une intention ou d'un concept exprimé dans un message. Plusieurs libellés résument souvent un message, ce qui signifie qu’un libellé n’est pas une classification mutuellement exclusive du message.
Par exemple, dans un ensemble de données surveillant l'expérience client, nous pouvons créer un libellé appelé Notification de facture incorrecte, qui décrit lorsqu'un client informe l'entreprise qu'il a reçu ce qu'il pense être une facture incorrecte.
Les actions de création et de modification de libellés sont principalement effectuées sur les pages Explorer et Découvrir .
Vous allez commencer par créer des libellés en appliquant un libellé à un message pertinent. Vous pouvez continuer à les appliquer pour créer des exemples d'entraînement pour le modèle, et la plate-forme commencera ensuite à prédire automatiquement le libellé sur l'ensemble de données le plus pertinent.
Un libellé que vous avez appliqué à un message est considéré comme épinglé, tandis que les libellés attribués par la plate-forme aux messages sont appelés prédictions de libellé.
Pour en savoir plus sur les messages examinés et non examinés, consultez Messages annotés et non annotés.
% pour cette prédiction de libellé. Plus le niveau de confiance est élevé, plus la plate-forme est fiable.
Le niveau de confiance de la plate-forme dans les libellés prévus module les nuances de libellés. Plus le libellé est marqué de impression, plus la confiance de la plate-forme est élevée que le libellé s’applique.
Vous pouvez organiser les libellés dans une structure hiérarchique pour vous aider à organiser et à entraîner plus rapidement de nouveaux concepts.
Cette hiérarchie peut être au format suivant : [Libellé parent] > [Libellé de la branche 1] > [Libellé de la branche n] > [Libellé enfant]
> sépare, qui forment des sous-ensembles des libellés précédents dans la hiérarchie.
Chaque fois qu’un libellé enfant ou une branche est épinglé ou prédit, le modèle considère que les niveaux précédents de la hiérarchie ont également été épinglés ou prédits. Les prédictions pour les libellés parents auront généralement des niveaux de confiance plus élevés que les niveaux inférieurs de la hiérarchie, car elles sont souvent plus faciles à identifier.
Pour plus de détails sur les hiérarchies de libellés, consultez Taxonomies.
Pour les ensembles de données où l'analyse des sentiments est activée, une couleur verte ou rouge indique un sentiment positif ou négatif pour chaque libellé, épinglé ou prédit.
Différents niveaux d'une hiérarchie de libellés peuvent avoir différentes prédictions de sentiment. Par exemple, un avis peut être globalement positif sur une propriété, mais peut être négatif sur la propriété > Emplacement.
