- Introdução
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- Campos gerais (anteriormente entidades)
- Rótulos (previsões, níveis de confiança, hierarquia etc.)
- Modelos
- Transmissões
- Classificação do Modelo
- Projetos
- Precisão
- Lembrar
- Mensagens revisadas e não revisadas
- Fontes
- Taxonomias
- Treinamento
- Previsões positivos e negativos verdadeiros e falsos
- Validação
- Mensagens
- Administração
- Gerencie origens e conjuntos de dados
- Entender a estrutura de dados e permissões
- Crie uma origem de dados na GUI
- Carregar um arquivo CSV para uma origem
- Criar um conjunto de dados
- Origens e conjuntos de dados multilíngues
- Habilitando o sentimento em um conjunto de dados
- Corrigir configurações de conjunto de dados
- Excluir mensagens por meio da interface do usuário
- Excluir um conjunto de dados
- Excluir uma origem
- Exportar um conjunto de dados
- Usando integrações do Exchange
- Preparando dados para carregamento de .CSV
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, campos gerais e metadados
- Hierarquia de rótulo e práticas recomendadas
- Definição dos seus objetivos de taxonomia
- Casos de uso de análise versus automação
- Transformando seus objetivos em rótulos
- Criação da sua estrutura taxonômica
- Práticas recomendadas de design de taxonomia
- Importando sua taxonomia
- Visão geral do processo de treinamento do modelo
- Anotação Generativa (Novo)
- Status do conjunto de dados
- Treinamento de modelos e práticas recomendadas de anotação
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução ao Refine
- Precisão e recall explicados
- Precisão e recall
- Como funciona a Validação?
- Compreender e melhorar o desempenho do modelo
- Por que um rótulo pode ter uma precisão média baixa?
- Treinamento usando Check label e Perda de rótulo
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Melhorando o balanceamento e usando o Rebalanceamento
- Quando parar de treinar seu modelo
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Informações de licenciamento
- Perguntas frequentes e mais
CommPath LLM vs. Preview LLM
- CommPath LLM
- Visualização do LLM
Abaixo está um resumo de algumas das considerações ao decidir sobre um LLM a ser usado. Se seu caso de uso exigir a extração mais de 30 campos por mensagem, recomendamos atualmente o uso do LLM de Visualização.
- Aproveita o LLM proprietário da UiPath®, ajustado para dados de Communications.
- Atualmente limitado à extração de aprox. 30 campos por mensagem.
- Menos latência do que a versão de visualização LLM.
- Pode ser ajustado com base nos seus dados.
- Melhorar o desempenho para a CommPath, tanto em termos do número de campos que podem ser extraídos quanto na velocidade de inferência para o modelo, é uma alta prioridade para 2024.
- Confiança de ocorrência maior (consulte a seção Automação com GenEx para obter mais detalhes) em comparação com o LLM de Visualização.
- Aproveita o modelo GPT do Azure OpenAI como o LLM subjacente.
- A UiPath® não pode garantir tempo de atividade, pois isso depende inteiramente dos pontos de extremidade do Azure OpenAI. Se os endpoints estiverem inoperantes ou sobrecarregados, a UiPath® não pode garantir a disponibilidade.
- Você pode extrair mais de 30 campos por mensagem.
- Maior quantidade de latência em comparação com o CommPath LLM.
- Limitado ao aprendizado no contexto.
Observação: ao usar o aprendizado em contexto, a plataforma só pode aprender com o que você alerta. O Communications Mining pode refinar automaticamente o prompt até certo ponto, mas o modelo não aprende com nenhuma validação orientada pelo usuário.
Use as configurações ilustradas abaixo para selecionar qual LLM você deseja usar para a extração generativa.
O CommPath LLM está habilitado por padrão. Para ativar a Visualização LLM, são necessários os alternâncias da imagem a seguir.
Se a alternância do modelo Usar visualização generativa estiver desativada, significa que você está usando o CommPath LLM.
Ter as alternâncias Usar funcionalidades de IA generativas e Usar visualização de extração generativa ativadas significa que a plataforma usa o endpoint UiPath® Azure OpenAI no processo de extração.
- Comece a treinar suas extrações com o CommPath LLM.
- Se as extrações extrair corretamente, continue a treinar as extrações usando o CommPath LLM. Se não, devido ao grande número de campos ou grandes tabelas em cada mensagem, mude para o Preview LLM.
Para determinar se suas extrações prevêem corretamente, verifique as estatísticas de validação na guia Extração generativa , na página Validação . Se a precisão e recall das extrações forem adequadas para o seu caso de uso, continue a usar o CommPath LLM.
Se algum ponto de dados não for extraído conforme o esperado com o CommPath LLM:
- Fixe a versão do modelo atual acessando modelos e selecione fixar na versão do modelo mais recente.
- Entre em contato com seu representante da UiPath®, anotando a versão do modelo em que as extrações não estavam com um bom desempenho. Seu representante da UiPath® trabalhará diretamente com a equipe de produtos do Communications Mining para investigar e implementar melhorias.
- Se você usar o LLM de Visualização, continue a treinar seu modelo da mesma maneira que você treinou o LLM de CommPath. Examine isso e forneça exemplos corretos para cada uma de suas extrações.