- 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
- 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)
- Entendendo o status do seu 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
Preparando dados para carregamento de .CSV
Permissões de usuário necessárias: "Sources admin" E "Edit messages".
Você pode encontrar instruções sobre como carregar dados de um arquivo aqui, juntamente com mensagens de erro comuns que você pode encontrar na plataforma.
Antes de carregar dados no Communications Mining, há alguns fatores a serem considerados ao preparar os dados a serem ingeridos pela plataforma.
Verifique se você está carregando um arquivo .csv .exe, e não um arquivo do Excel.
Se você estiver abrindo o arquivo .csv no Excel e fazendo alterações, isso pode levar a problemas de formatação, causando potencialmente problemas no ponto de carregamento. Para evitar isso, certifique-se de que as atualizações sejam feitas no arquivo .csv diretamente.
Além disso, verifique o seguinte antes de carregar seu arquivo .csv na plataforma para evitar erros durante o carregamento ou problemas de qualidade dos dados que afetarão negativamente a qualidade do desempenho do modelo:
Item | Description |
Duplicar linhas | Ter os mesmos dados repetidos várias vezes na extração de dados |
Cabeçalhos incompatíveis | Ter os cabeçalhos errados alinhados aos campos de dados errados |
Linhas ou colunas suspensas | Não ter todos os dados contidos em linhas sequenciais
Exemplo: ter todas as mensagens na Linha 1 a 10.000, mas ter uma linha com uma célula contendo dados na linha 19.999. |
Formatação de data inconsistente | Diferentes linhas com formatos de data inconsistentes
Exemplo: ter várias mensagens no formato de data dos EUA e várias mensagens no formato de data da UE, todas no mesmo conjunto de dados, pois isso causará problemas de normalização a jusante. |
Frases incoerentes | São frases que contêm uma variedade de palavras sem uma estrutura sintática ou semântica clara
Exemplo: "O usuário está solicitando que um novo ticket Portable 28442 298 seja criado" |
Espaçamento inconsistente | Quando há um número irregular de espaços entre as palavras.
Exemplo: em vez de "A política está definida para renovar" |
Interrupções em palavras | Quando há quebras no meio de uma palavra, quando não deveria haver.
Exemplo: “A política está definida. renovar' ao invés de 'A política está definida para renovar' |
Codificação de caracteres incorreta | Quando os dados de texto não estão codificados corretamente, resultando em caracteres ilegíveis ou ilegíveis.
Exemplo: 'Thâ åpp is grésenção' em vez de 'O aplicativo é ótimo'. |
Mensagens em branco | Comunicações sem qualquer conteúdo incluído no assunto/corpo |
Mensagens com muitos erros de digitação | Dados de texto contendo muitos erros de ortografia |
Cabeçalhos / rodapés | Quando houver cabeçalhos ou rodapés incluídos
Exemplo:avisos de spam, avisos de verificação de vírus etc. |
Metadados incluídos no assunto/corpo em vez de como uma propriedade de metadados | Quando os metadados são incluídos no assunto ou no corpo
Exemplo: "[01/01/2023] Gostaria de renovar minha apólice" como o corpo de uma mensagem, em vez de "Deseja renovar minha apólice" como a mensagem, com 01/01/2023 como a data incluída em os metadados. |
Várias mensagens combinadas em uma mensagem | Quando há várias mensagens que deveriam ter sido divididas em mensagens separadas em um thread, combinadas em uma única comunicação. |