Communications Mining
Mais recente
falso
- 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
Guia do usuário do Communications Mining
Última atualização 18 de abr de 2024
Noções Básicas sobre rótulos, entidades e metadados
Antes de projetar sua taxonomia, é importante entender o que deve ser capturado por rótulos, entidades e metadados para atender a seus objetivos. Deve haver sobreposições mínimas, pois todas se complementam.
Rótulos:
- Conceitos, temas e intenções
- Por exemplo, "Solicitação de alteração de endereço", "Urgent", "Solicitação de atualização de status" etc.
- Não deve ser usado para capturar informações que estão presentes nos metadados
Entidades:
- Pontos de dados estruturados extraídos do texto
- Por exemplo: Números de apólices, IDs comerciais, URLs, datas, quantidades monetários etc.
Metadados:
- Informações estruturadas adicionais associadas a cada mensagem
- As propriedades de metadados podem ser propriedades do usuário (definidas e adicionadas antes do upload, por exemplo, Pontuação de NPS), propriedades de emails (capturadas de emails, por exemplo, remetente, destinatários, domínios, etc.) e propriedades de threads (derivadas automaticamente pela plataforma para dados encadeados, como e-mails e chats, por exemplo # de mensagens no thread, duração do tópico, etc.)
Aqui estão algumas das principais distinções e semelhançasentre rótulos e entidades. Normalmente, os dois são usados juntos para automação, mas individualmente servem a propósitos diferentes:
A plataforma faz previsões de rótulos com base no texto da mensagem (para e-mails, isso significa o assunto e o corpo do e-mail), bem como algumas propriedades de metadados. Para entidades, ele aprende com o período de texto atribuído e o contexto do texto em torno desse período.
