- 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
En savoir plus sur la gestion des quotas par locataire pour Communications Mining™et le processus d'obsolescence de la version du modèle.
La page Quotas vous permet d’afficher et de gérer les quotas appliqués pour Communications Mining™ dans le locataire actuel.
Pour certains quotas, vous serez également informé via le service de notification que vous approchez de la limite et que vous devez demander une augmentation.
Modification de l'affichage du tableau des quotas
Pour modifier l'affichage du tableau Quotas dans le locataire actuel, procédez comme suit :
- Sélectionnez les ellipses de chaque en-tête de colonne.
- Sélectionnez une ou plusieurs des options suivantes dans le menu à trois points :
- Trier par ordre croissant – Range les éléments dans l'ordre croissant.
- Trier par ordre décroissant – Range les éléments dans l'ordre décroissant.
- Épingler à gauche – Épingle la colonne actuelle à gauche.
- Épingler à droite – Épingle la colonne actuelle à droite.
- Filtrer : permet de filtrer le tableau actuel en sélectionnant la colonne, l'action et en ajoutant une valeur. En outre, vous pouvez sélectionner les options suivantes :
- Ajouter un filtre pour ajouter plusieurs filtres au tableau.
- Supprimer tout pour supprimer tous les filtres qui s'appliquent au tableau.
- Masquer la colonne - Masque la colonne actuelle.
- Gestion des colonnes : vous permet de masquer les colonnes actuelles ou de révéler celles qui sont cachées en désactivant ou en activant le bouton de chaque colonne. En outre, vous pouvez sélectionner les options suivantes :
- Masquer tout pour masquer toutes les colonnes.
- Afficher tout pour révéler toutes les colonnes cachées.
Modifier les quotas
Pour modifier la limite des quotas, procédez comme suit :
- Sélectionnez l'icône Modifier la limite de quota des sources pour chaque cellule de tableau.
- Dans le panneau latéral qui s'affiche, définissez la nouvelle limite à l'aide des contrôles de sélection, qui permettent d'augmenter ou de diminuer la valeur.
- Sélectionnez Mettre à jour pour enregistrer les modifications, ou Annuler pour fermer le panneau latéral sans appliquer de modifications.
La page Modèles obsolètes ( Deprecated Models ) vous montre toutes les versions de modèle pour les ensembles de données de votre locataire qui seront bientôt obsolètes. Tous les ensembles de données de production utilisent des versions de modèle plus récentes et améliorées.
Avis sur l’obsolescence du modèle et les exigences de mise à jour
Pour garantir une fonctionnalité et une sécurité optimales, les anciennes versions de modèle épinglées (qui dateront d'au moins 12 mois) peuvent être programmées pour obsolescence.
Annonce d'obsolescence
Pour garantir une transition en douceur, tous les modèles obsolètes sont marqués bien à l'avance. Vous pouvez trouver des indicateurs d'obsolescence anticipée à la fois sur cette page et dans la page Modèles de l'ensemble de données concerné. Cette approche active vous donne suffisamment de temps pour ajuster votre travail sans interruption.
Période de transition
Après l'annonce initiale, vous disposez d'une période de transition d'au moins trois mois. Une fois cette période terminée, les versions obsolètes seront considérées comme non prises en charge. Par conséquent, les versions non prises en charge ne seront pas accessibles via l'API.
Détacher les modèles obsolètes
Vous devez désépingler les versions de modèle obsolètes après avoir épinglé une version de modèle plus récente dans le même jeu de données. Cela garantit la poursuite en douceur des appels de service et d'API pendant la transition.
Mise à jour des automatisations de production
Vous devez immédiatement mettre à jour les automatisations de production qui utilisaient les modèles obsolètes vers une version de modèle plus récente. Ces changements empêchent toute interaction potentielle avec des modèles obsolètes.
