- 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
- Préparation des données en vue du téléchargement du fichier .CSV
- Téléchargement d’un fichier CSV dans une source
- 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)
- Entraînement à l'aide de clusters
- Entraînement à l'aide de la recherche
- 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
- Guide de migration : Exchange Web Services (EWS) vers l'API Microsoft Graph
- 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
Entraînement à l'aide de la recherche
- Autorisations requises pour les utilisateurs d’Automation Cloud :
- Source : lire pour afficher les messages.
- Ensemble de données : lire pour afficher les libellés.
- Ensemble de données : révision pour appliquer les libellés.
- Autorisations requises pour les utilisateurs hérités :
- Affichez les sources pour afficher les messages.
- Afficher les libellés pour afficher les libellés.
- Examinez et annotez pour appliquer les libellés.
Vue d'ensemble (Overview)
La fonctionnalité Rechercher sur la page Découvrir est utilisée pour rechercher des termes et des phrases clés. Vous pouvez rechercher des termes de recherche exacts et, s'ils existent, ils vous afficheront ceux suivis de correspondances partielles. Cette fonction peut être utilisée pour rechercher des termes alternatifs et des moyens d'exprimer la même intention ou concept pour chaque libellé. Cela peut être utile si vous connaissez un terme ou une expression commune pertinent qui n'est jamais apparu dans aucun des clusters jusqu'à présent et que vous souhaitez épingler quelques exemples.
La recherche ne doit pas être utilisée pour appliquer un grand nombre d'exemples par terme de recherche et par libellé, seulement quelques-uns de chacun.
Par exemple, le cluster de l'image suivante illustre clairement l'emplacement de l'hôtel, où un libellé Emplacement a été prédit. Si nous avons uniquement utilisé ce terme, il pourrait biaiser le modèle vers les phrases autour du mot Emplacement ou similaire, et nous devons utiliser la fonction Rechercher pour trouver d’autres façons de l’exprimer :
Termes de recherche alternatifs possibles pour l’ emplacement :
- Localisé
- Commode
- Position
- Proximité
- Proche
- Position de l’hôtel
- Emplacement à déplacer
- Liens de transport
- Attractions historiques
- À proximité du transport
- Centre
- Proche de l'aéroport
- À proximité de l'aéroport
Recherche de termes différents
L'image suivante contient un exemple de recherche de termes alternatifs pour l'emplacement met en surbrillance les messages liés à l'emplacement de l'hôtel, mais exprimés différemment. En faisant cela, le modèle recevra différents exemples d’emplacement.
Application de libellés aux résultats de recherche
- Sélectionnez Rechercher dans le menu déroulant Cluster de l'onglet Découvrir .
- Saisissez le terme de recherche et appuyez sur Entrée ou sélectionnez l'icône de recherche.
- Le terme de recherche correspondant sera surligné en orange. La plate-forme affichera les correspondances complètes, suivies de correspondances partielles.
- Ajoutez tous les libellés qui devraient s'appliquer, et pas seulement les résultats de votre recherche. Par exemple, le libellé Propriété > Employé dans le cluster précédent.
Remarque :
N’utilisez pas ce processus pour un grand nombre de messages pour chaque libellé.
Vous pouvez utiliser ce processus avec précaution pour chaque libellé dont les capacités d’expression du même sujet sont variables. Cependant, il existe d'autres méthodes découvertes dans la phase d'exploration qui permettent également de fournir différents exemples d'entraînement, mais qui n'ont pas le potentiel de biaiser votre modèle.