ixp
latest
false
- 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
最終更新日時 2025年11月10日
注:
- レガシ ユーザーとして、 IXP 閲覧者 または IXP アナリスト、 IXP プロジェクト管理者 または IXP 開発者 のロール、または 「ソースの表示 」権限と 「確認とアノテーション」 権限を割り当てている必要があります。
- チャットと通話のデータを表示するには、 ソースの表示 権限が割り当てられている必要があります。
- ラベルを表示するにはラベル の表示 権限が必要です。ラベルを適用するには確認 とアノテーションの権限 が必要です。
チャットまたは通話のデータは、一般的に分析および監視ベースのユース ケース用にトレーニングされ、会話内のプロセス、問題、感情を詳細に理解します。
これらのコミュニケーションの種類に対して回答できる質問の例をいくつか示します。
- 顧客がトピックや苦情などについて私たちに尋ねることから始まる会話の数。
- お客様からの問い合わせで上位のトピックは何ですか?
- 特定のトピックに関する会話を解決するのにどのくらいの時間がかかりますか?
- エージェントがお客様に提供しているサービスの質はどの程度ですか?
- 特定のトピックが言及されたとき、どのような感情を抱きますか?
チャット/通話スレッド

レイアウトの説明:
- これは、メッセージが有益ではないとマークされたことを示すために使用されます
- これは、ラベルがメッセージに追加されたことを示します
- これにより、ユーザーはメッセージを有益ではないとしてマークできます
- これにより、ユーザーはメッセージにラベルを追加できます
- これにより、ユーザーはオーディオ録音の再生、速度/音量の制御、または通話のダウンロードを行うことができます。
手記: チャット/通話のデータで感情分析を有効化している場合、アノテーションを行う際の違いは、他のコミュニケーション チャネルの感情を使用してアノテーションを行う場合と同じです (例: ラベルを割り当てるたびに感情を割り当てる、中立的なラベル名を使用するなど)。感情分析を使用したアノテーションについて詳しくは、 こちらをご覧ください 。
チャット/通話のデータのトレーニングは、他の種類のメッセージのトレーニングと非常によく似ており、ユーザーは発見、探索、改良のフェーズを経てモデルをさらにトレーニングします。
主な違いは次のとおりです。
- スレッド レイアウト - チャット/通話のデータでは、特定の会話のすべての関係者間のメッセージが自動的に 1 つのスレッド ビューにコンパイルされますが、ラベルは引き続き個々のメッセージに割り当てられます (つまり、会話の順番)。
- 有益ではないメッセージ - チャット/通話内のメッセージは、特定の会話にコンテキストや価値を追加しない場合、「有益ではない」としてマークできます。メッセージを有益ではないとしてマークすると、どのラベルも適用できないことをモデルに教えることになるため、モデルは、類似のメッセージにラベルの予測は期待すべきではないことを学習します。
手記: メッセージ (「メッセージ A」)にラベルを適用する場合、 ラベルが適用されていないと、前のメッセージ B が自動的にメッセージに有益ではないとマークされます。したがって、前のメッセージを読み、必要に応じてラベルを適用することが重要です。この機能は、「有益ではない」場合に必要なトレーニング データを、アノテーションをあまり行わなくても構築するのに役立ちます。
- カバレッジ - チャット/通話データのカバレッジを評価するときに、有益な (つまり、意味のある) ラベル予測でカバーされるメッセージの割合を評価するだけでなく、有益ではないと予測されるメッセージの割合も組み込みます。カバレッジの決定方法について詳しくは、 こちらをご覧ください。
チャットまたは通話のデータセットのカバレッジの検証要因カード