- 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
La page principale de l'onglet Entraîner fournit des informations utiles sur l'entraînement effectué jusqu'à présent, les performances du modèle, ainsi qu'une liste des prochaines actions d'entraînement classées et hiérarchisées. Cela fonctionne de la même manière que la page Validation . Il s'agit d'une expérience d'entraînement de libellé entièrement guidée.
Survolez les zones de progression de l'annotation pour afficher des informations supplémentaires sur les performances et les contributeurs sous-jacents. Dans l'exemple suivant, vous pouvez vérifier les informations supplémentaires sur les performances une fois les actions d'entraînement de base terminées :
Pour entraîner une action, procédez comme suit :
- Dans l'onglet Entraîner , sélectionnez une action d'entraînement, par exemple Annoter des messages aléatoires pour accéder à l'interface de lot d'entraînement spécifique.
Selon l'action recommandée, le nombre de messages ou de clusters de messages dans le lot est de 10, mais il peut varier.
- Appliquez les libellés et les champs généraux aux messages de l’écran.
- Sélectionnez Terminé ( Done).
- Sélectionnez Suivant dans le panneau latéral pour passer au message ou au cluster suivant.
- À la fin du lot, vous remarquerez un résumé des actions d'entraînement que vous avez effectuées.
- Pour choisir votre prochaine session, sélectionnez une autre action recommandée.
Si vous préférez vous entraîner sans les conseils de la plate-forme, vous pouvez désactiver l'icône d'activation/désactivation guidée et sélectionner les sessions à terminer. Pour plus de détails, consultez la section Utilisation de l'entraînement sans conseils activés pour les libellés.
La page Entraîner deviendra l’endroit principal où vous pourrez réaliser l’ensemble de l’entraînement de votre modèle, du début à la fin. Actuellement, Entraîner est un module complémentaire à l'ensemble de fonctionnalités existant, ce qui signifie que vous pouvez utiliser toutes les fonctionnalités auxquelles vous êtes habitué et que vous pouvez entraîner des modèles comme vous le faites d'habitude.
Il est recommandé d’utiliser l’entraînement pour une expérience guidée d’entraînement du libellé et de fournir des commentaires à votre gestionnaire de compte UiPath® si vous rencontrez des problèmes ou des défis.
Apprentissage des libellés
Libellés d'entraînement dans l'onglet Entraîner :
- Vous guide à partir du moment où vous créez un ensemble de données avec les meilleures actions à effectuer pour faire progresser votre entraînement du libellé. Cela comprend le téléchargement d'une taxonomie avant de commencer l'entraînement.
- Vous guide à travers les étapes habituelles du processus d’entraînement du modèle, à l’exception de la recommandation de Rechercher:
- Pour un mode d'entraînement efficace, utilisez l'action Rechercher avec précaution, afin de fournir au modèle un ensemble limité d'exemples initiaux pour les libellés qui ne disposent pas encore de suffisamment de données d'entraînement. Pour utiliser cette action, accédez à Découvrir, Explorer, ou désactivez temporairement les conseils dans Entraîner. Pour plus de détails, consultez la section Utilisation de l'entraînement sans conseils activés pour les libellés.
- Fournit des commentaires sur les performances à connaître sur la page principale et via ses recommandations. Si vous avez besoin de commentaires détaillés sur les performances du modèle, rendez-vous sur la page Validation .
Entraînement des champs généraux
Basculez entre les libellés d'entraînement et les champs généraux dans l'onglet Train si les champs généraux sont activés dans votre ensemble de données.
Entraînement des champs généraux dans Entraîner:
- Vous guide à partir du moment où vous créez un ensemble de données avec les meilleures actions à effectuer pour progresser dans votre entraînement des champs généraux.
- Vous guide à travers les étapes habituelles d’entraînement des champs généraux pendant le processus d’entraînement du modèle.
- Fournit des commentaires sur les performances à connaître sur la page principale et via ses recommandations. Si vous avez besoin de commentaires détaillés sur les performances du champ général, accédez à l’onglet Validation , puis à Validation du champ Général.
- Au début du processus d’entraînement du modèle, si la plate-forme ne dispose pas d’assez d’exemples de champs généraux à partir desquels apprendre, elle recommande Mélanger par défaut. Une fois que vous aurez fourni suffisamment d’exemples, il sera recommandé d’entraîner un entraînement plus ciblé pour des champs généraux spécifiques.
Le paramètre par défaut de la page Entraîner ( Train) est que les conseils de plate-forme sont activés, car c'est notre recommandation.
Si vous êtes un entraîneur de modèle fiable et que vous connaissez déjà les actions que vous souhaitez déjà effectuer, vous pouvez désactiver les conseils en utilisant le bouton bascule en haut à droite de la page :
La plate-forme mettra toujours en évidence la phase considérée comme la plus appropriée. Vous pouvez retrouver les actions d'entraînement habituelles dans chaque phase et cibler des libellés spécifiques selon vos besoins. Consultez l’image suivante :