ai-center
latest
false
Importante :
A tradução automática foi aplicada parcialmente neste conteúdo.
AI Center
Automation CloudAutomation SuiteStandalone
Last updated 10 de out de 2024

IA de e-mail

Modelos de soluções de IA > IA de e-mail

Observação:

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.

Visão geral

Para saber mais sobre IA para e-mail, consulte este vídeo.

Benefícios

Este modelo fornece uma receita para construir sua própria solução de IA para e-mails. O modelo ajuda a atingir os seguintes objetivos:

  1. Detecte a intenção para organizar e direcionar e-mails para diferentes departamentos.
  2. Descubra quais são os e-mails urgentes e de alto valor com base nas necessidades de negócio e opiniões.
  3. Extraia entidades para executar fluxos de trabalho de entrada e escalonamento de dados.
  4. Mostre o impacto da automação aprimorada com IA no painel do Insights.

Conteúdo do modelo

Para alcançar os quatro objetivos acima, este modelo agrupa o seguinte em um arquivo único zip, chamado EmailAI.zip, que pode ser baixado aqui:
  • Modelos de machine learning (ML) (disponíveis em UiPath® AI Center)
  • Conjuntos de dados amostrais (dentro das pastas classification_data e ner_data)
  • Fluxos de trabalho amostrais (dentro das pastas SMA_SmartMailAutomation e NER_Validation_Station)
  • Análise padrão
  • Influência humana no loop e aprendizado contínuo de modelos de ML
  • Arquivo de configuração (Config.xlsx)

Modelos de machine learning

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

A primeira coisa que a automação faz é ler todos os e-mails em uma pasta e limpar os dados. O fluxo de trabalho é configurado para ler e-mails do CSV ou de uma pasta no Outlook, mas pode ser estendido para ser acionado em novos e-mails que estejam chegando. Depois de ler novas mensagens, a automação prevê a intenção, entidades, opinião, e mapeia o e-mail a uma pergunta no banco de conhecimento (fornecido na pasta 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.

Depois que a previsão for feita, uma resposta amostral para responder aos e-mails de entrada será criada. A resposta amostral também pode ser configurada no arquivo 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 widgetTipo de WidgetDescription
Número de e-mails processadosEntradaExibe um total cumulativo de todos os e-mails processados até hoje.
Distribuição da automaçãoGráfico de PizzaPercentual usado da automação, distribuído por:
  • Automatizada
  • Corrigido por humano
  • Entregado para um humano
Distribuição de intençõesGráfico de PizzaPercentual usado de intenções, distribuído por:
  • Problema de transação
  • Solicitação de informação
  • Problema de empréstimo
  • Corrigido por humano
  • Entregado para um humano
Distribuição de entidadesGráfico de PizzaPercentual usado de entidades, distribuído por:
  • Data
  • Pessoa
  • Quantidade
  • ID
  • Organização
  • Corrigido por humano
  • Entregado para um humano
Distribuição de opiniõesGráfico de PizzaPercentual usado de opiniões, distribuído por:
  • Entregado para um humano
  • Corrigido por humano
  • Negativo
  • Neutro
  • Positivo
  • Muito negativo
  • Muito positivo
Distribuição de perguntas do FAQGráfico de PizzaPercentual de uso de cada pergunta do FAQ recebida.

Influência humana no loop e aprendizado contínuo

O fluxo de trabalho amostral do cenário de negócios fornecido envia os dados de baixa confiança ao Action Center para validação humana e, em seguida, ao AI Center. Para o modelo NER personalizado, o fluxo de trabalho NER_Validation_Station é fornecido e pode ser usado para validar entidades personalizadas e, em seguida, enviar os dados ao AI Center.

Configurando a IA de e-mail

 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:
  • Será adicionado em breve.
  • Será adicionado em breve.
  • Será adicionado em breve.
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.

Etapa 1: treinar e implantar Habilidades de ML

  1. Treinar o modelo de conjunto de dados de classificação de texto e implantar como Habilidade de ML.
  2. Treinar o modelo de conjunto de dados NER e implantar como Habilidade de ML.
  3. Implante o modelo de similaridade semântica como uma Habilidade de ML.
  4. Implante o modelo de análise de opinião como uma Habilidade de ML.

Etapa 2: tornar públicas todas as Habilidades de ML, e copiar o URL e a chave de API

Para obter mais informações sobre como tornar públicas as Habilidades de ML, gerar um URL e chave de API, consulte Gerenciar Habilidades de ML.

Etapa 3: configurar a demonstração de IA

  1. Configure o URL e as chaves da API para Habilidades de ML e pasta Dataset na planilha ML Config do Config.xlsx.
  2. Configure os parâmetros a seguir:
    1. UnreadLocalMailFolder para a pasta demo_emails.
    2. OrchestratorFolderPath para uma pasta em seu Orchestrator.
    3. FAQDataPath para uma pasta faq_data.
  3. No fluxo de trabalho, defina o argumento ConfigFilePath para o arquivo Config.xlsx fornecido.
  4. Execute o fluxo de trabalho, vá para o Action Center quando o fluxo de trabalho pausar para validar os dados.

Etapa 4: acessar o painel do Insights e executar as consultas

Essas informações serão adicionadas em breve. Por enquanto, pule esta etapa.

Etapa 5: configurar a influência humana no loop

  1. Abra o fluxo de trabalho a partir da pasta NER_Validation_Station.
  2. A partir do gerenciador de pacotes, adicione a dependência UiPathTeam.CustomNER.Activities.1.0.0.nupkg localizada dentro da pasta NER_Validation_Station.
  3. Defina a variável de ambiente de configuração para o caminho do arquivo Config.xlsx fornecido na pasta externa.
  4. Valide os dados e edite-os se necessário.
  5. Os dados serão gravados de volta na pasta do AI Center configurada em Config.xlsx.

Etapa 6: estender a IA de e-mail para suas necessidades

O modelo da solução de IA de e-mail pode ser configurado de acordo com as necessidades do seu projeto. Para fazer isso, altere os parâmetros de configuração no arquivo Config.xlsx.

Ao treinar com seus próprios dados, certifique-se de definir pelo menos os seguintes parâmetros de configuração:

  1. Classifications
  2. NamedEntities
  3. SemânticaSimilaridadeOnlyIfType
  4. UrgencyEntityType
    Por fim, para estender NER_Validation_Station para novos fluxos de trabalho, atualize o arquivo taxonomy.json na subpasta DocumentProcessing na pasta NER_Validation_Station.

Esta página foi útil?

Obtenha a ajuda que você precisa
Aprendendo RPA - Cursos de automação
Fórum da comunidade da Uipath
Uipath Logo White
Confiança e segurança
© 2005-2024 UiPath. Todos os direitos reservados.