- Introdução
- 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
Definição e configuração de suas entidades
É importante definir os principais pontos de dados (ou seja, entidades) que você deseja extrair de seus dados de comunicações. Elas são normalmente usadas para facilitar a automação downstream, mas também podem ser úteis para análises - especialmente para avaliar a taxa de sucesso potencial e o benefício das oportunidades de automação.
Por fim, as previsões de entidades, combinadas com rótulos, podem facilitar a automação, fornecendo os pontos de dados estruturados necessários para concluir uma tarefa ou processo específico. É muito mais eficiente em termos de tempo treinar entidades em seu conjunto de dados em conjunto com rótulos, em vez de se concentrar em um e depois o outro (ou seja, entidades de treinamento após treinar uma taxonomia completa de rótulos).
Por exemplo:
Se quisermos automatizar solicitações de "Alteração de endereço", um rótulo será usado para capturar o tipo de solicitação, enquanto as entidades capturarão os vários componentes do endereço (ou seja, Linha de Endereço, Cidade, Código Postal / Código Postal, etc.). Cada previsão é disponibilizada por meio da API, permitindo que cada mensagem seja executada.
Após serem configurados e treinados para um nível adequado de desempenho, eles podem ajudar a gerar insights importantes sobre os tipos de solicitações que podem estar no escopo da automação.
Para entender como, vamos continuar com o mesmo exemplo: 'Address Change'
Identificamos que as solicitações de "Alteração de endereço" são uma tarefa de alto volume, transacional e altamente manual, e queremos entender a proporção delas que podemos automatizar.
Para isso, precisamos saber se o rótulo para identificar a solicitação pode ter um bom desempenho. Também precisamos entender a proporção das solicitações de alteração de endereço recebidas que contêm os pontos de dados necessários (ou seja, as entidades) para processar a alteração.
Nesse caso, pode ser "Linha de endereço 1", "Município / Cidade", "CEP", "Estado". Dentro da plataforma, podemos avaliar facilmente a proporção de solicitações de "Alteração de endereço" que contêm todas ou algumas das entidades necessárias usando filtros combinados. Isso nos ajuda a entender a proporção que poderia ser automatizada de ponta a ponta com sucesso e que exigiria mais informações ou a participação de seres humanos para ser concluída.
Se 80% de nossas solicitações de alteração de endereço contêm as entidades necessárias, sabemos que esse é um ótimo candidato para a automação. Se apenas 20% contiverem as entidades das quais precisamos, esta pode ser uma oportunidade menos significativa (dependendo dos volumes gerais).
Observação: é importante que as entidades tenham um bom desempenho antes de avaliá-las, pois, caso contrário, a plataforma pode perder muitas solicitações que poderiam ser automatizadas de E2E, simplesmente pela falta de treinamento.
O exemplo acima ilustra como a plataforma pode ser usada para entender melhor qualquer oportunidade de automação dentro de seus canais de comunicação. Ao extrair esses dados da plataforma e alimentá-los em seu pipeline de oportunidades de automação, você pode identificar e priorizar com eficiência as oportunidades com o maior potencial de sucesso e, por fim, o maior ROI.
