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

• 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

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 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: Automatizada Corrigido por humano Entregado para um humano
Distribuição de intenções	Gráfico de Pizza	Percentual usado de intenções, distribuído por: Problema de transação Solicitação de informação Problema de empréstimo Corrigido por humano Entregado para um humano
Distribuição de entidades	Gráfico de Pizza	Percentual usado de entidades, distribuído por: Data Pessoa Quantidade ID Organização Corrigido por humano Entregado para um humano
Distribuição de opiniões	Gráfico de Pizza	Percentual usado de opiniões, distribuído por: Entregado para um humano Corrigido por humano Negativo Neutro Positivo Muito negativo Muito positivo
Distribuição de perguntas do FAQ	Gráfico de Pizza	Percentual 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: Classificação de texto multilíngue Reconhecimento da entidade nomeada personalizada Similaridade semântica Análise de opinião
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.