- Introdução
- Visão geral da Communications Mining
- Como as empresas podem usar o Communications Mining
- Primeiros passos para usar o Communications Mining
- Suporte técnico
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- 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
- Gerenciar 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
- Exportar um conjunto de dados
- Usando integrações do Exchange
- Preparando dados para upload de .CSV
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, entidades 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)
- Entendendo o status do seu conjunto de dados
- Práticas recomendadas de treinamento e rotulagem de modelos
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução a "Refinar"
- 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 "Missed label"
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Como melhorar o balanceamento e usar o 'Rebalance'
- Quando parar de treinar seu modelo
- Definição e configuração de suas entidades
- Noções Básicas sobre Entidades
- Quais entidades pré-treinadas estão disponíveis?
- Habilitar, desabilitar, atualizar e criar entidades
- Filtragem de entidades
- Revisar e aplicar entidades
- Validação para entidades
- Melhoria do desempenho de entidade
- Como criar entidades regex personalizadas
- Uso de Análise e Monitoramento
- Automations e Communications Mining
- Perguntas frequentes e mais
Visão geral da Communications Mining
O Processamento de linguagem natural (NLP) é um campo do Machine Learning focado na construção de ferramentas que podem entender e processar automaticamente dados de linguagem natural de forma semelhante à forma como os humanos podem.
Um foco chave das ferramentas de NLP é transformar dados de comunicação não estruturados em dados estruturados acionáveis, entendendo as intenções, temas e conceitos dentro deles, e extraindo os principais pontos de dados.
Do suporte, às vendas, ao financeiro e aos serviços. A comunicação é como os negócios são feitos.
O número de emails, tickets e mensagens aumenta a cada ano, e isso está levando os serviços a um limite. Isso está aumentando o custo para servir e prejudicando as experiências de funcionários e clientes.
Ainda bem que o processamento de linguagem natural, um ramo da IA que se concentra em ajudar as máquinas a ler e entender a linguagem humana, assistiu a grandes progressos nos últimos anos.
O processamento de linguagem natural, ou NLP, atingiu a maioridade e agora está superando os humanos na compreensão de idiomas e de leitura.
Isso gera novas soluções e oportunidades para a empresa.
Com o NLP, agora é possível entender as comunicações em escala.
Isso habilita as empresas para:
Communications Mining, ou Comms Mining, é um campo que se concentra em entender e extrair valor dos dados de comunicação.
É a prática de converter as informações não estruturadas que esses dados contêm em dados estruturados, legíveis por máquina, que podem ser usados para análise e automação.
É importante notar que a UiPath Communications Mining não apenas identifica os pontos problemáticos, mas também pode ajudar a resolver muitos deles habilitando automações mais inteligentes.
O UiPath Communications Mining, anteriormente Re:infer, automatiza a interpretação das comunicações, ajudando as empresas a entender e automatizar as mensagens – com velocidade, escala e em qualquer canal.
Nossa solução combina aprendizado de máquina (ML), processamento de linguagem natural (NLP) e aprendizado supervisionado por funcionários em uma solução poderosa e sem código que qualquer pessoa pode usar.
Ele oferece visibilidade total de canais como e- mails, tickets e feedback de clientes, ajudando as empresas a entender melhor seus clientes e onde as melhorias terão mais impacto.
Ele também habilita a automação inteligente das comunicações, pois gera os dados estruturados necessários pelas automações downstream para solicitações de ação sem intervenção humana.
Aqui está uma visão geral da jornada típica que seus dados passam dentro da plataforma:
- Conectores pré-construídos para ingestão no repositório de mensagens históricos. Segmentação de ML proprietária e mecanismo de limpeza para limpar dados.
- Os modelos proprietários de Deep Learning Sentence extraem semântica para um aprendizado eficiente em relação aos dados.
- Os modelos de aprendizado não supervisionado proprietários identificam intenções comuns e pesquisam constantemente por novas.
- Treine modelos supervisionados sob medida de forma eficiente em nosso mecanismo e interface Proprietary Active Learning .
- Estatísticas agregadas em tempo real para informações de gerenciamento e análises baseadas em significado.
- Validação de modelos em tempo real e gerenciamento do ciclo de vida de modelos.
Conectar
Primeiro, nos conectamos aos seus canais de dados de comunicações não estruturadas.
Podem ser caixas de entrada de e-mail compartilhadas, tickets de fluxo de trabalho ou coleções de respostas de pesquisas, para listar apenas alguns exemplos.
A entrada desses dados na plataforma pode ser feita via:
- Integração ao vivo com conectores pré-construídos, para canais como o Microsoft Exchange ou Salesforce
- Criação de integrações de API
- Carregamento de dados históricos, seja por meio de CSV ou de nossa API
Discover
Com os dados carregados, a plataforma inicia automaticamente o processo de descoberta.
Ele usa aprendizado não supervisionado para agrupar grupos de comunicações que compartilham temas e conceitos semelhantes.
Esses clusters podem estar vinculados a processos, solicitações, problemas e opiniões repetitivas. Eles podem nos ajudar a definir a estrutura certa para o nosso modelo e também acelerar o primeiro estágio do treinamento do modelo.
Ao revisar esses clusters e aplicar rótulos e entidades que capturam conceitos e pontos de dados relevantes, a plataforma rapidamente começa a criar uma imagem do que está nos dados.
Treinamento
Em seguida, usamos uma variedade de modos de treinamento para criar os dados de treinamento para o nosso modelo.
Aqui, estamos ensinando a plataforma a identificar com confiança esses rótulos e entidades, em toda a extensão dos nossos dados.
Esses modos de treinamento são projetados para maximizar o impacto das ações de treinamento e minimizar o tempo gasto treinando. Enquanto isso, a interface zero-code da plataforma significa que um Model Trainer pode ser qualquer usuário comercial que trabalhe no canal de comunicação. Não são necessários cientistas ou engenheiros de dados.
A cada ação de treinamento, a plataforma retreina continuamente, melhorando sua compreensão de cada conceito e ponto de dados e atualizando suas previsões em tempo real.
Ao anotar uma amostra pequena e representativa de dados de treinamento, a plataforma é capaz de aplicar seu entendimento de cada rótulo e entidade na escala, interpretando e fazendo previsões automaticamente em todo o conjunto de dados.
Predict
O resultado final? Previsões de rótulos e entidades estruturadas, cada qual com sua própria pontuação de confiança, para cada comunicação, assim como este exemplo de e-mail aqui:
Essas previsões são disponibilizadas para análise na plataforma ou por meio da API para consumo pelos UiPath bots e outras ferramentas para automação ou análise adicional.
Validar
Porém, antes de confiarmos nessas previsões para influenciar decisões ou possibilitar ações, precisamos saber como está o desempenho de nosso modelo.
A funcionalidade de validação da plataforma oferece total transparência quando se trata de desempenho, validando seu modelo automaticamente cada vez que for retreinado.
Podemos entender facilmente se nosso modelo está funcionando como deveria em relação a fatores-chave de desempenho que são agregados em uma única classificação de modelo para simplificar.
A plataforma também orienta os Model Trainers a fazer melhorias conforme necessário com as próximas ações recomendadas.
Analisar
Quando estivermos felizes com o desempenho de nosso modelo, podemos gerar muito rapidamente insights valiosos e acionáveis a partir dessas conversas de negócios.
A plataforma agrega todas as previsões para rótulos e entidades com os principais metadados para fornecer uma gama de dados pesquisáveis, trazendo visibilidade a processos e canais anteriormente ocultos.
Isso permite aos usuários:
- Crie painéis dinâmicos personalizados para rastrear as principais métricas e a qualidade do serviço fornecido aos clientes e clientes
- Faça análises para identificar oportunidades de melhorar processos ou a experiência do cliente
- Ou configure alertas para monitorar o desempenho do canal e os eventos de risco
Só para citar alguns exemplos.
Juntamente com a análise, podemos implantar modelos treinados para habilitar automações de produção.
Os robôs e sistemas downstream da UiPath podem usar os dados estruturados criados pelo UiPath Communications Mining para estender a automação para os processos baseados em serviços e conversas. Isso permite que as empresas automatizem solicitações e fluxos de trabalho transacionais.
Tarefas como selecionar e-mails, atualizar informações do cliente e criação de casos agora podem ser automatizadas de ponta a ponta pela UiPath.
Empresas importantes confiam no Communications Mining para analisar e automatizar suas comunicações — e aqui estão alguns dos motivos para isso:
- Sem código - Nós democratizemos o NLP para o usuário de negócios. A interface sem código da plataforma fornece uma experiência de usuário guiada que qualquer funcionário pode usar, independentemente de habilidade técnica.
- Totalmente personalizável — você pode criar modelos totalmente personalizados que extraem as intenções, temas e sentimentos exatos de que sua empresa precisa.
- Preciso - Você pode treinar modelos precisos com o mínimo de dados de treinamento, com total transparência no desempenho do modelo para evitar resultados inesperados na produção
.
- Rápido para treinar — você pode manter os custos e o esforço baixos e a confiança alta, com modelos que são rápidos para treinar e rápidas para adaptar.
- Hiper escalável — Você precisa começar pequeno para ter sucesso, mas precisará de uma solução que possa escalar rapidamente com suas necessidades para casos de uso maiores, como é o caso da nossa plataforma.
- Monitoramento e alertas em tempo real — com painéis configuráveis, alertas por e-mail e relatórios que rastreiam as principais métricas em tempo real, você tem todos os dados de que precisa para tomar decisões proativas e informadas.
- Seguro — acima de tudo, você precisa de uma solução com a qual possa confiar seus dados, e o permissionamento e a criptografia da nossa plataforma garantem que os dados dos clientes estejam seguros e protegidos.
- Fácil de integrar — temos integrações pré-construídas para os principais canais de comunicação, APIs fáceis de trabalhar e conectores para fluxo de trabalho e RPA, ajudando-o a se encaixar facilmente em sua pilha de tecnologia.
Nossa solução abre o poder da IA e do NLP para todos os usuários de negócios, não apenas os cientistas de dados e engenheiros.
- O que é o processamento de linguagem natural (NLP)?
- Por que a PNL está se tornando crítica para as empresas?
- Como as soluções de PNL podem ajudar a resolver esses desafios?
- O que é o Communications Mining?
- Communications Mining vs. Task Mining e Process Mining
- O que é a solução Communications Mining da UiPath e o que ela faz?
- Como isso ajuda nossos clientes?
- Como funciona: visão geral
- Como funciona: análise profunda
- Por que as empresas confiam no UiPath Communications Mining?
- O que o Communications Mining significa para você?
- O que o Communications Mining significa para a sua empresa?