- 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
Communications Mining™ prend en charge des sources et des ensembles de données multilingues. Cela signifie que les modèles peuvent comprendre les sources qui contiennent plusieurs langues différentes prises en charge, sans avoir à les traduire.
- Anglais
- Néerlandais
- Français
- Allemand
- Italien
- Japonais
- Portugais
- Espagnol
Si vous travaillez et faites vos affaires dans plusieurs langues prises en charge par la plate-forme, vous pouvez vous entraîner sur des messages dans ces langues, plutôt que de tout traduire en une seule langue.
- Si un ensemble de données est multilingue, vous ne pouvez pas afficher les traductions des messages, comme prévu pour les ensembles de données traduits. Par conséquent, vous devrez comprendre toutes les langues de l'ensemble de données pour entraîner efficacement leur modèle.
- Comprendre plusieurs langues est un problème d'apprentissage automatique plus complexe que de comprendre une seule langue. Par conséquent, ces ensembles de données peuvent subir une légère charge de performances par rapport aux ensembles de données dans une seule langue.
- Si l'ensemble de données contient d'autres langues que celles prises en charge, l'application des libellés utilisés pour les langues prises en charge peut prêter à confusion. Au lieu de cela, annotez ces instances avec des libellés spécifiques à une langue.
Remarque : la plate-forme ne peut pas traiter ou comprendre le contenu des langues non prises en charge.
Lors de la création d’une source de données ou d’un ensemble de données, la plateforme sélectionne par défaut la langue anglaise pour les deux.
Pour changer la langue lors de la création de votre source de données ou de votre ensemble de données, procédez comme suit :
- Accédez à l' étape Définir la langue et activez la traduction pour votre étape source .
- Dans le menu déroulant Langue , sélectionnez Multilingue.
- Vous ne pouvez plus changer la langue une fois la source de données ou l'ensemble de données créé.
- Les ensembles de données multilingues peuvent contenir des sources de n'importe quelle famille de langues prise en charge par la plate-forme.
- Pour savoir comment créer des sources de données et des ensembles de données, consultez Créer une source de données et Créer un ensemble de données.
Nous prenons actuellement en charge un large éventail de langues supplémentaires en mode Aperçu, comme indiqué dans la liste suivante. Cela signifie que notre équipe les affine en fonction de votre utilisation.
- Afrikaans
- Albanais
- amharique
- Arabe
- arménien
- Assamais
- Azerbaïdjanais
- Basque
- Biélorusse
- bengali
- bengali (romanisé)
- Bosniaque
- breton
- Bulgare
- Birman
- Birman
- Catalan
- Chinois (simplifié)
- Chinois (traditionnel)
- croate
- Tchèque
- Danois
- Espéranto
- estonien
- Philippin
- Finnois
- galicien
- géorgien
- Grec
- gujarati
- haoussa
- Hébreu
- Hindi
- Hindi (Automatisé)
- Hongrois
- Islandais
- Indonésien
- Irlandais
- javanais
- kannada
- Kazakh
- khmer
- Coréen
- kurmanji (Kurmanji)
- kirghize
- Lao
- latin
- letton
- lituanien
- macédonien
- Malgache
- malais
- Malayalam
- marathi
- mongol
- népalais
- Norvégien
- Oria
- Orchestrator
- Pashto
- persan
- Polonais
- pendjabi
- Roumain
- Russe
- sanscrit
- gaélique cohérente
- Serbe
- sindhi
- Cingalalen
- slovaque
- slovène
- Somalien
- sundanais
- Swahili
- Suédois
- Suisse allemand
- tamil
- tamil (romanisé)
- telugu
- telugu (romanisé)
- Thaï
- Turque
- Ukrainien
- Ourdou
- Urdu (Automation Suite)
- Uygour
- ouzbek
- Vietnamien
- gallois
- frison occidental
- Xhosa
- yiddish