- 基本情報
- 管理
- ソースとデータセットを管理する
- モデルのトレーニングと保守
- 生成 AI による抽出
- 分析と監視を使用する
- オートメーションと Communications Mining
- ライセンス情報
- よくある質問など
タクソノミーの目的を定義する
モデルのトレーニングを開始する前に、ラベルの作成を含むタクソノミーへのアプローチ方法と、ラベルでキャプチャする対象について理解しておくことが重要です。また、自動化の探索と実装を計画している場合は、トレーニングする主要なデータ ポイント (一般フィールド) も定義する必要があります。
タクソノミーとは、データセット内のメッセージに適用されるすべてのラベルのコレクションであり、階層状に構成されています。データセットで有効化されている一般フィールドの種類を参照して含めることもできますが、これらはフラットな階層に編成されます。このセクションでは、ラベルのタクソノミーについて説明します。
ユース ケースの成功は主に、明確に定義された一連の目的を設定することによって促進されます。目的を設定すると、全員が確実に共通の目標に向かって作業できるようになるだけでなく、構築するモデルの種類を決定し、タクソノミーの構造を形成するのにも役立ちます。最終的には、プラットフォームをトレーニングして予測する概念は、目的によって決まります。
タクソノミーでは、自動化、分析、またはその両方の目的を達成することを目標にすることができます。タクソノミーを設計する際は、次の点を自問する必要があります。
- 求めるオートメーションや洞察を推進するには、データ内でどのような意図や概念を認識する必要があるか
- それらの概念はすべてメッセージのテキストだけから認識可能か
- 特定の操作を容易にするために、特定の概念を特定の方法で構造化する必要があるか
要するに、十分なトレーニングを実施し、ラベルによって、目的のコンテキスト内で (例: 自動的に下流にルーティングされるリクエストの種類をすべて網羅する)、データセットを正確にバランスよく反映する必要があります。
1 つのデータセットの 1 つのタクソノミーでは、一部の目的を達成できない場合があります。コミュニケーション チャネルを広範かつ詳細に分析するだけでなく、一定数の受信リクエストの種類を自動化してワークフロー キューに追加する場合、これを容易にするには複数のデータセットが必要になる場合があります。
通常は、広範な多目的のタクソノミー 1 つですべてを一度に達成しようとしないことをお勧めします。トレーニングと高いパフォーマンスの維持が非常に困難になる可能性があるためです。特定の目的用のタクソノミーから始めるのが最も簡単です。たとえば、製品機能のリクエストやバグに関するアプリ内の顧客フィードバック データを分析する、運用チームの受信トレイでクライアントのサービス品質を監視するといった目的です。
さまざまな種類の目的の内訳については、分析に焦点を当てたユース ケースと自動化に焦点を当てたユース ケースを比較した次の記事で説明します。