- Notas de Versão
- Introdução
- Notificações
- Projetos
- Conjuntos de dados
- Rotulagem de Dados
- Pacotes de ML
- Pacotes para uso imediato
- Pipelines
- Habilidades de ML
- Logs de ML
- Document UnderstandingTM no AI Center
- API do AI Center
- Licenciamento
- Modelos de soluções de IA
- IA de e-mail
- Como fazer
- Guia básico de solução de problemas
IA de e-mail
Modelos de soluções de IA > IA de e-mail
Atualmente, o Modelo de IA para e-mail está em visualização pública.
A UiPath assume um compromisso quanto à estabilidade e à qualidade de nossos produtos. Porém, as funcionalidades de visualização sempre estão sujeitas à alteração, com base no feedback que recebemos de nossos clientes. O uso das funcionalidades de visualização não é recomendado para implantações de produção.
A solução Modelo de IA para e-mail ainda é suportada para usuários existentes, mas para casos de uso mais complexos, a solução Communications Mining é altamente recomendada. Para obter mais informações sobre o Communications Mining, consulte a documentação oficial.
Para saber mais sobre IA para e-mail, consulte este vídeo.
Este modelo fornece uma receita para construir sua própria solução de IA para e-mails. O modelo ajuda a atingir os seguintes objetivos:
- Detecte a intenção para organizar e direcionar e-mails para diferentes departamentos.
- Descubra quais são os e-mails urgentes e de alto valor com base nas necessidades de negócio e opiniões.
- Extraia entidades para executar fluxos de trabalho de entrada e escalonamento de dados.
- Mostre o impacto da automação aprimorada com IA no painel do Insights.
zip
, chamado EmailAI.zip
, que pode ser baixado aqui:
- Machine Learning (ML) Models (available in UiPath® AI Center)
- Conjuntos de dados amostrais (dentro das pastas
classification_data
ener_data
) - Fluxos de trabalho amostrais (dentro das pastas
SMA_SmartMailAutomation
eNER_Validation_Station
) - Análise padrão
- Influência humana no loop e aprendizado contínuo de modelos de ML
- Arquivo de configuração (
Config.xlsx
)
Modelos de machine learning
- Classificação de texto multilíngue para a classificação de intenção
- Reconhecimento da entidade nomeada personalizada para extrair informações relevantes
- Similaridade semântica para o mapeamento de perguntas em e-mail para uma base de conhecimento
- Análise de opinião para descobrir a urgência
Conjuntos de dados amostrais
Os conjuntos de dados amostrais são usados para testar rapidamente os modelos e criar conjuntos de dados adicionais específicos do seu caso de uso.
O pacote do modelo de IA de e-mail contém dois conjuntos de dados amostrais:
- Conjunto de dados amostral de e-mails com tags para o modelo de classificação de texto multilíngue (
Email_Classification_data.csv
) — essa amostra é usada para classificar e-mails entre as seguintes classes:- Problemas de transação
- Problemas de empréstimo
- Problemas de informação falsa ou esclarecimento
- Conjunto de dados amostral de e-mails com tags para o modelo NER personalizado (
Email_NER_data.txt
) — as seguintes entidades são marcadas com tags:- ID
- PER
- ORG
- Quantidade
Sample workflows
Os fluxos de trabalho amostrais são usados para executar os modelos em fluxos de trabalho pré-construídos para ver o poder da IA, selecionar um conjunto de dados adicional e personalizar os fluxos de trabalho, se necessário.
Fluxo de trabalho amostral de cenário de negócios
faq_data
ao fluxo de trabalho). As previsões de baixa confiança vão para o Action Center e, em seguida, para o Conjunto de dados do AI Center.
Dependendo da previsão, existem três cenários possíveis:
Problema de empréstimo: entrada de dados no arquivo CSV que prioriza e-mails com empréstimo superior a 10.000 dólares
Problema de transação: entrada de dados no arquivo CSV e priorização de e-mails com valor de transação superior a 10.000 dólares
Problema de informação falsa ou esclarecimento: extrai a resposta da base de conhecimento para a pergunta mapeada
Esse fluxo de trabalho de execução também é responsável por criar logs que podem ser consumidos pelas consultas do painel do Insights.
Config.xlsx
.
Análise padrão
No caso da demonstração fornecida, as informações na demonstração do Insights são semelhantes à captura de tela abaixo:
Os painel do Insights para IA de e-mail é composto dos seguintes widgets:
Nome do widget | Tipo de Widget | Description |
---|---|---|
Número de e-mails processados | Entrada | Exibe um total cumulativo de todos os e-mails processados até hoje. |
Distribuição da automação | Gráfico de Pizza | Percentual usado da automação, distribuído por:
|
Distribuição de intenções | Gráfico de Pizza | Percentual usado de intenções, distribuído por:
|
Distribuição de entidades | Gráfico de Pizza | Percentual usado de entidades, distribuído por:
|
Distribuição de opiniões | Gráfico de Pizza | Percentual usado de opiniões, distribuído por:
|
Distribuição de perguntas do FAQ | Gráfico de Pizza | Percentual de uso de cada pergunta do FAQ recebida. |
Influência humana no loop e aprendizado contínuo
NER_Validation_Station
é fornecido e pode ser usado para validar entidades personalizadas e, em seguida, enviar os dados ao AI Center.
Description | |
---|---|
Etapa 1: treinar e implantar Habilidades de ML | As Habilidades de ML a seguir precisam ser treinadas e implantadas: |
Etapa 2: tornar públicas todas as Habilidades de ML, e copiar o URL e a chave de API | Copie o URL e as chaves de API das Habilidades de ML implantadas. |
Etapa 3: usar o fluxo de trabalho SMA_SmartAutomationMail e configurar variáveis de ambiente
| O fluxo de trabalho está pronto para ser executado com as configurações necessárias fornecidas. |
Etapa 4: acessar o painel do Insights e executar as consultas | Configure as seguintes consultas no painel do Insights:
|
Etapa 5: configurar a influência humana no loop para o NER | Depois de executar o fluxo de trabalho de execução, os dados de baixa confiança do modelo NER personalizado são coletados na training_data subpasta na NER_Validation_Station pasta. Execute o fluxo de trabalho presente lá para validar os dados e alterá-los, se necessário. Agora esses dados podem ser carregados manualmente para o AI Center, ou você pode configurar a estação de validação para carregar os dados para a pasta Conjunto de dados do AI Center.
|
Etapa 6: estender a IA de e-mail para suas necessidades | Agora que já vimos como a IA de e-mail pode automatizar sua caixa de entrada, é hora de observar as caixas de entrada comuns da sua empresa e estender esse modelo de solução para uma solução finalizada. |
- Treinar o modelo de conjunto de dados de classificação de texto e implantar como Habilidade de ML.
- Treinar o modelo de conjunto de dados NER e implantar como Habilidade de ML.
- Implante o modelo de similaridade semântica como uma Habilidade de ML.
- Implante o modelo de análise de opinião como uma Habilidade de ML.
Para obter mais informações sobre como tornar públicas as Habilidades de ML, gerar um URL e chave de API, consulte Gerenciar Habilidades de ML.
- Configure o URL e as chaves da API para Habilidades de ML e pasta Dataset na planilha ML Config do Config.xlsx.
-
Configure os parâmetros a seguir:
-
UnreadLocalMailFolder
para a pastademo_emails
. -
OrchestratorFolderPath
para uma pasta em seu Orchestrator. -
FAQDataPath
para uma pastafaq_data
.
-
-
No fluxo de trabalho, defina o argumento
ConfigFilePath
para o arquivoConfig.xlsx
fornecido. - Execute o fluxo de trabalho, vá para o Action Center quando o fluxo de trabalho pausar para validar os dados.
Essas informações serão adicionadas em breve. Por enquanto, pule esta etapa.
-
Abra o fluxo de trabalho a partir da pasta
NER_Validation_Station
. -
A partir do gerenciador de pacotes, adicione a dependência
UiPathTeam.CustomNER.Activities.1.0.0.nupkg
localizada dentro da pastaNER_Validation_Station
. -
Defina a variável de ambiente de configuração para o caminho do arquivo
Config.xlsx
fornecido na pasta externa. - Valide os dados e edite-os se necessário.
-
Os dados serão gravados de volta na pasta do AI Center configurada em
Config.xlsx
.
Config.xlsx
.
Ao treinar com seus próprios dados, certifique-se de definir pelo menos os seguintes parâmetros de configuração:
- Visão geral
- Benefícios
- Conteúdo do modelo
- Configurando a IA de e-mail
- Etapa 1: treinar e implantar Habilidades de ML
- Etapa 2: tornar públicas todas as Habilidades de ML, e copiar o URL e a chave de API
- Etapa 3: configurar a demonstração de IA
- Etapa 4: acessar o painel do Insights e executar as consultas
- Etapa 5: configurar a influência humana no loop
- Etapa 6: estender a IA de e-mail para suas necessidades