- 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
Avant de concevoir votre taxonomie, vous devez comprendre quels libellés, champs généraux et métadonnées doivent capturer pour répondre à vos objectifs. Il devrait y avoir un minimum de chevauchement dans la mesure où ils se complètent.
Les libellés capturent des concepts, des thèmes et des intentions. . Vous ne devez pas utiliser de libellés pour capturer des informations présentes dans les métadonnées.
Les champs généraux capturent des points de données structurés extraits du texte. il peut s'agir des numéros de police, des identifiants commerciaux, des URL, des dates, des quantités monétaires, etc.
- Propriétés utilisateur : pré-chargement défini et ajouté, comme le score NPS.
- Propriétés des e-mails : capturés à partir d’e-mails, tels que l’expéditeur, les destinataires, les domaines, etc.
- Propriétés de fils de discussion : la plate-forme les génère automatiquement pour les données filtrées, telles que les e-mails et les chats. Par exemple, le nombre de messages d'un fil de discussion, la durée du fil de discussion, etc.
Cette section répertorie les principales distinctions et similitudes entre les libellés et les champs généraux. Les deux sont généralement utilisés en combinaison dans l'automatisation, mais ils servent chacun à des fins différentes :
Libellés
- Capture des intentions, des thèmes et des concepts.
- Normalise les expressions diverses en un point de données structuré, par exemple, pour déterminer si un concept s'applique ou non.
- Attribué au niveau du message.
- Apprenez à partir du texte de communication, des noms de libellés, des descriptions, ainsi que de certaines propriétés de métadonnées.
- Structured en hiérarchies pour ajouter des niveaux de spécificité.
Champs généraux
- Capture des valeurs spécifiques d'un certain type, comme la date, extraites du texte.
- Peut être entièrement basé sur des règles et suivre un format très spécifique.
- Certains types peuvent être normalisés dans un format structuré à partir de diverses expressions.
- Communications Mining™ apprend à partir de la valeur des champs généraux et du contexte du paragraphe dans lequel il se trouve, ainsi que du texte qui l’accompagne.
- Attribué au niveau du paragraphe.
Commun aux libellés et aux champs généraux
- Vous pouvez les pré-entraîner ou les entraîner à partir de zéro.
- Les libellés et les champs généraux pré-entraînés sont prédits dès que vous les activez, et la plate-forme se réentraîne automatiquement.
- Vous pouvez accepter et rejeter les prédictions de libellé et de champ général, et les attribuer lorsqu’elles ne sont pas prédites.
- Vous pouvez l'utiliser à la fois à des fins d'analyse et d'automatisation.
La plate-forme effectue des prédictions de libellé basées sur le texte du message, les noms de libellé et les descriptions, ainsi que certaines propriétés de métadonnées. Avec l'introduction de l' annotation générative, la plate-forme utilise des noms de libellé et des descriptions comme entrées d'entraînement, permettant au modèle de mieux comprendre la signification de chaque libellé.
Par exemple, pour les e-mails, cela signifie l'objet et le corps de l'e-mail. Pour les champs généraux, il apprend à partir de la durée de texte attribuée et du contexte du texte autour de cette durée.
- Ligne d’objet
- Corps du texte : pour les données filtrées, Communications Mining™ effectue des prédictions basées uniquement sur le dernier e-mail, et non le fil de discussion complet, auquel un ID de fil de discussion les relie.
- Quelques métadonnées : Communications Mining apprend à partir de certaines propriétés où les thèmes peuvent être identifiés, tels que les domaines de l’expéditeur ou du destinataire, les scores NPS, etc. Elle n'apprendre pas des expéditeurs et des destinataires spécifiques des e-mails, c'est-à-dire des adresses e-mail complètes et des propriétés uniques telles que les ID.
L’image suivante contient un exemple de message qui montre comment les libellés, les champs généraux et les métadonnées sont distincts, mais complémentaires. Pour automatiser cette requête entrante, vous pouvez avoir besoin de chacune d’entre elles à des fins spécifiques :
- Libellés : le libellé Changement d'adresse est requis pour identifier la nature de la demande, c'est-à-dire l'intention.
- Champs généraux : la ligne d'adresse, la ville et le code postal sont utilisés pour capturer les nouvelles valeurs auxquelles l'adresse serait mise à jour. Les libellés ne captureraient pas les valeurs spécifiques.
- Métadonnées : ce processus ne peut être implémenté que pour certains clients, identifiables via le domaine de l'expéditeur. Il n'est pas nécessaire de créer des libellés pour des clients spécifiques, car cela est capturé dans les métadonnées.