ixp
latest
false
- 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
Dernière mise à jour 11 août 2025
Entraînement à l'aide de la recherche (affiner)
linkUtilisez l'action Rechercher dans le cadre du processus d'entraînement du modèle, pour les libellés qui sont moins fréquents et n'apparaissent pas régulièrement dans des clusters et/ou en mode aléatoire.
S'il existe peu d'exemples d'entraînement initiaux pour un libellé, vous pouvez utiliser la fonction Rechercher avec précaution un ou plusieurs termes, pour un libellé donné. Cela fournit suffisamment d'exemples pour que l'action Identifiez soit disponible, par exemple, en affichant environ la moitié des exemples pertinents pour ce libellé.
Remarque : une utilisation trop importante de l'action Rechercher peut entraîner des biais d'annotation et un dépassement de la compréhension du modèle d'un concept de libellé en termes/phrase spécifiques, au lieu de comprendre le contexte plus large et la variabilité du concept lui-même. Cela signifie que vous pouvez surutiliser la recherche à moins que les garde-fous ne soient fournis par la plate-forme.
Utilisation de la recommandation de Rechercher dans la validation
linkPour utiliser la recommandation de recherche sur la page Validation , appliquez les étapes suivantes :
- Accédez à l'onglet Validation .
- Sélectionnez l’une des recommandations, ce qui vous redirige vers la page Découvrir .
- Recherchez des termes ou des expressions liés au libellé que vous recherchez.
Remarque : appliquez avec précaution des exemples en utilisant la recherche de n'importe quel libellé pour éviter les biais d'annotation. - Ajoutez un libellé, puis sélectionnez Appliquer des libellés aux messages d'annotation en bloc :
Attention : n'oubliez pas d'appliquer également tous les autres libellés pertinents aux messages pendant la recherche, pour éviter une annotation partielle.
Remarque : pour mieux comprendre comment utiliser la recherche dans l'onglet Explorer , consultez Entraîner à l'aide de la recherche (Explorer).