- 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)
- 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
Même si l'entraînement via la recherche n'est pas l'étape principale de la phase d'exploration , il peut toujours servir d'outil d'entraînement utile à tout stade du processus d'entraînement.
Entraîner à l'aide de la fonction Rechercher sur la page Découvrir décrit comment utiliser l'action de recherche avec précaution. Évitez de l'utiliser trop, car cela peut biaiser votre modèle.
Recherchez des termes ou des phrases dans Explorer de la même manière que dans Découvrir.
Comparaison à l'aide de la fonction Rechercher dans Explorer et Découvrir
- Dans Parcourir ( Explore ), vous devez examiner et annoter les résultats de recherche individuellement, plutôt que de façon groupée, comme Découvrir(Discover).
- Explorer fournit un descriptif utile du nombre de messages qui correspondent à vos termes de recherche. Consultez l’exemple suivant pour la recherche d’annulation.
Recherchez des termes ou expressions pertinents et vérifiez le nombre de correspondances approximatives dans l'ensemble de données. Utilisez cette fonction pour estimer si vous avez suffisamment d'exemples pour une étiquette spécifique.
Saisissez le terme de votre recherche dans la zone de recherche, comme illustré dans l'image suivante :
- Sélectionnez la recommandation de recherche générique dans l'onglet Entraîner :
- Sélectionnez le libellé dans la liste déroulante de recherche :
- Examinez les suggestions de recherche de libellés fournies par LLM.
- Saisissez le terme de recherche et prévisualisez les résultats, y compris le nombre de correspondances approximatives.
- Sélectionnez Entraîner ces messages ou recherchez un autre terme avant de continuer.
Remarque : le lot a 6 résultats sur une page, avec une expérience d’annotation similaire à Découvrir, en bloc et individuellement.
- Une fois que vous avez annoté les messages, sélectionnez Terminé. Cette action affiche une fenêtre contextuelle vous informant que le lot d’entraînement est terminé. Cette fenêtre comprend également un résumé des actions d’entraînement et des options de fermeture ou de recherche d’exemples de libellés différents, si le libellé ne répond pas aux critères pour que la recherche ne soit plus recommandée.