- 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 Validation (Validation) affiche aux utilisateurs des informations détaillées sur les performances de leur modèle, pour les libellés et les champs généraux.
Dans l'onglet Libellés , les utilisateurs peuvent afficher l'évaluation globale de leur modèle de libellé, y compris une répartition détaillée des facteurs qui composent leur évaluation, ainsi que d'autres mesures concernant leur ensemble de données et les performances des libellés individuels.
Dans l’onglet Champs généraux , les utilisateurs peuvent afficher les statistiques sur les performances des prédictions de champ général pour tous les champs généraux activés dans l’ensemble de données.
Le menu déroulant Version du modèle vous permet d’afficher tous les scores de validation des versions antérieures du modèle pour un ensemble de données donné. Vous pouvez également hiérarchiser ou marquer des valeurs individuelles en haut de la liste, afin qu'elles apparaissent en haut de la liste à l'avenir. Cet outil peut être utile pour suivre et comparer les progrès pendant que vous créez votre modèle.
L'onglet Facteurs indique :
- les quatre facteurs clés qui contribuent à l'évaluation du modèle : l'équilibre, la couverture, les performances moyennes des libellés et les performances des libellés les moins performants.
- pour chaque facteur, il fournit un score et une ventilation des contributeurs au score du facteur.
- les meilleures actions suivantes recommandées pour améliorer le score de chaque facteur.
L'onglet Métriques indique :
- la taille de l'ensemble d'entraînement : le nombre de messages sur lesquels le modèle a été entraîné.
- la taille de l'ensemble de tests : le nombre de messages sur lesquels le modèle a été évalué.
- nombre de libellés : le nombre total de libellés de votre taxonomie.
- Précision moyenne au moment du rappel : un graphique montrant la précision moyenne à une valeur de rappel donnée sur tous les libellés.
- Précision moyenne : une statistique montrant la précision moyenne sur tous les libellés.
- un graphique montrant, pour tous les libellés, la précision moyenne par libellé par rapport à la taille de l'ensemble d'entraînement.
La page Validation permet également aux utilisateurs de sélectionner des libellés individuels à partir de leur taxonomie afin d'explorer leurs performances.
Après avoir sélectionné un libellé, les utilisateurs peuvent afficher la précision moyenne de ce libellé, ainsi que la précision par rapport au rappel pour ce libellé en fonction d'un seuil de confiance donné, que les utilisateurs peuvent ajuster eux-mêmes.
Pour de plus amples informations sur le fonctionnement réel de la validation pour les libellés et sur son utilisation, consultez la section Comment fonctionne la validation.
L’onglet Champs généraux indique :
- Le nombre de champs généraux dans l’ensemble d’entraînement : le nombre de champs généraux annotés sur lesquels le modèle de validation a été entraîné.
- Le nombre de champs généraux dans l’ensemble de tests : le nombre de champs généraux annotés sur lesquels le modèle de validation a été évalué.
- Le nombre de messages dans l’ensemble d’entraînement : le nombre de messages qui ont des champs généraux annotés dans l’ensemble d’entraînement.
- Le nombre de messages dans l’ensemble de test : le nombre de messages qui ont des champs généraux annotés dans l’ensemble de test
- Précision moyenne : le score de précision moyen sur tous les champs généraux.
- Rappel moyen : le score de rappel moyen sur tous les champs généraux.
- Score F1 moyen : le score F1 moyen sur tous les champs généraux, où le score F1 est la méthode robotique de précision et de rappel, et les pondère de manière égale.
- Les mêmes statistiques, mais pour chaque champ général individuel.
Pour plus de détails sur le fonctionnement de la validation des champs généraux et son utilisation, consultez la section Utilisation des champs généraux.