- はじめに
- アクセス制御と管理
- 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™
- 開発者
- 機械が単語を理解する方法:NLPに埋め込むためのガイド
- トランスフォーマーによるプロンプトベースの学習
- 効率的な変圧器II:知識蒸留と微調整
- 効率的な変圧器I:注意メカニズム
- 階層的な教師なしインテントモデリング:トレーニングデータなしで価値を得る
- Communications Mining™ でアノテーションの偏りを修正する
- アクティブ ラーニング: より優れた ML モデルを短時間で実現
- それはすべて数字にあります-メトリックを使用してモデルのパフォーマンスを評価します
- モデルの検証が重要な理由
- 対話データ分析 AI としての Communications Mining™ と Google AutoML を比較する
- ライセンス
- よくある質問など

Communications Mining ガイド
Before you start training, select whether you want to enable sentiment analysis when creating your dataset. This option affects how you annotate each message, as well as the output of the platform predictions.
感情分析を有効化する場合は、ラベルを適用する際に常に、肯定的な感情または否定的な感情のどちらかを選択する必要があります。中立的な感情はないためです。
Enabling sentiment analysis does make the annotating process slightly slower. However, for more emotive communications data, it provides a very useful indication of the overall sentiment of each label. For example, are people happy with X or dissatisfied with Y?
- 顧客または従業員からのフィードバックのレビューとアンケート。
- 顧客または従業員のサポート チケットとチャット
例外はありますが、感情分析は、全般的に中立的なトーンのコミュニケーション データでは推奨されません。たとえば、BAU チームが相互に、あるいは外部のチームと対話するための共有メールボックスなどは中立的なトーンです。このようなデータ ソースでは、感情は通常、時々しか表れない。ただし、感情分析を有効化した場合は、各ラベルに肯定的または否定的な感情を割り当てる必要があります。
さらに中立的なデータセットでは、不満、催促などの本質的に肯定的または否定的なラベルを使用して容易に感情をキャプチャできます。これは、感情がはっきりと表れるケースがはるかに少ないためです。
感情を有効化する方法について詳しくは、「 データセットを作成する」をご覧ください。