- 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 des 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
- 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
- Intégration avec Exchange auto-hébergée
- Infrastructure d’automatisation UiPath®
- Activités UiPath® Marketplace
- 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
Avant de commencer à entraîner votre modèle, veillez à lire les conseils suivants afin d’éviter les erreurs courantes. Cela vous permettra de réduire le temps d’entraînement et d’améliorer les performances de votre modèle.
- Ajoutez tous les libellés qui s'appliquent.
- Ajoutez systématiquement des libellés.
- Étiquetez ce que vous pouvez afficher devant vous.
Ajoutez tous les libellés qui s'appliquent à un message. Il arrive souvent que les nouveaux utilisateurs annotent partiellement un message en appliquant uniquement celle sur laquelle ils se concentrent et en oubliez d’ajouter toutes les autres éléments qui s’appliquent. Ne pas appliquer de libellé est aussi efficace que d’en appliquer un : vous indiquez au modèle que le message n’est pas quelque chose de plus important que ce que c’est. Par conséquent, assurez-vous d'appliquer tous les libellés, car cela peut tromper le modèle plus tard, ce qui peut entraîner des difficultés à améliorer les performances.
Assurez-vous que vous êtes cohérent dans l'ajout des libellés. Par exemple, si vous ajoutez le libellé Classe > Taille à un message et que vous oubliez de l'ajouter à un autre où il devrait être ajouté, vous confondrez le modèle. Comme avec le conseil précédent, lorsque vous n’appliquez pas de libellé, il est aussi efficace que d’en appliquer un.
Ne faites pas de hypothèses lorsque vous appliquez vos connaissances commerciales. Si rien dans l'objet ou le corps du message n'indique qu'un libellé doit s'appliquer, ne l'appliquez pas, ou le modèle ne comprendra pas pourquoi cela s'applique.
Ne passez pas trop de temps à choisir les noms de libellé
Ne perdez pas trop de temps à trouver le bon nom d’un libellé. Vous pouvez renommer un libellé à tout moment pendant le processus d'entraînement.
Soyez spécifique lorsque vous nommez un libellé
Soyez aussi spécifique que possible lorsque vous nommez un libellé et gardez la taxonomie aussi plate que possible au départ. Il est préférable d'être aussi spécifique que possible avec votre nom de libellé au début, car vous pourrez toujours modifier et restructurer la hiérarchie ultérieurement.
Par exemple, si vous choisissiez d'appliquer un libellé pour décrire le nettoyage d'une salle, vous pouvez appliquer : Nettoyage de la salle. Si vous avez par la suite décidé de le modifier et d'avoir un sous-libellé, vous pouvez le renommer : Chambres > Nettoyer. À ce stade, vous devez ajouter autant de libellés que possible à un message, afin de pouvoir toujours revenir en arrière et fusionner ultérieurement.