ixp
latest
false
- Introdução
- Configurando sua conta
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- Campos gerais
- Rótulos (previsões, níveis de confiança, hierarquia do rótulo e sentimento do rótulo)
- Modelos
- Transmissões
- Classificação do Modelo
- Projetos
- Precisão
- Lembrar
- Mensagens anotadas e não anotadas
- Campos de extração
- Fontes
- Taxonomias
- Treinamento
- Previsões positivos e negativos verdadeiros e falsos
- Validação
- Mensagens
- Controle de acesso e administração
- Gerencie origens e conjuntos de dados
- Entender a estrutura de dados e permissões
- Criando ou excluindo uma origem de dados na GUI
- Carregar um arquivo CSV para uma origem
- Preparando dados para carregamento de .CSV
- Criação de um conjunto de dados
- Origens e conjuntos de dados multilíngues
- Habilitando o sentimento em um conjunto de dados
- Como corrigir as configurações do conjunto de dados
- Excluindo uma mensagem
- Exclusão de um conjunto de dados
- Exportação de um conjunto de dados
- Usando integrações do Exchange
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, campos gerais e metadados
- Hierarquia de rótulos e práticas recomendadas
- Comparação de casos de uso de análise e automação
- Transformando seus objetivos em rótulos
- Visão geral do processo de treinamento do modelo
- Anotação generativa
- Status do conjunto de dados
- Treinamento de modelos e práticas recomendadas de anotação
- Treinamento com análise de sentimento de rótulo habilitada
- Compreensão dos requisitos de dados
- Treinamento
- Introdução ao Refine
- Precisão e recall explicados
- Precisão e recall
- Como a validação funciona
- Compreender e melhorar o desempenho do modelo
- Motivos para baixa precisão média do rótulo
- 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
- Fixação e marcação com tags de uma versão de modelo
- Excluindo um modelo fixado
- Adição de novos rótulos às taxonomias existentes
- Manutenção de um modelo em produção
- Reverter modelo
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining™
- Desenvolvedor
- Carregamento de dados
- Baixando dados
- Integração do Exchange com usuário do serviço do Azure
- Integração do Exchange com Autenticação de Aplicativo do Azure
- Integração do Exchange com Autenticação de aplicativo e gráfico do Azure
- Como buscar dados para o Tableau com o Python
- Integração do Elasticsearch
- Extração de campo geral
- Integração auto-hospedada do Exchange
- Framework de automação da UiPath®
- Atividades oficiais da UiPath®
- Como as máquinas aprendem a entender as palavras: um guia para incorporações ao NLP
- Aprendizado baseado em solicitação com Transformers
- Efficient Transformers II: extração de conhecimento e ajustes finos
- Transformers eficientes I: mecanismos de atenção
- Modelagem de intenção hierárquica profunda não supervisionada: obtenção de valor sem dados de treinamento
- Corrigindo viés de anotação com o Communications Mining™
- Aprendizado ativo: melhores modelos de ML em menos tempo
- Está tudo nos números - avaliando o desempenho do modelo com métricas
- Por que a validação de modelos é importante
- Comparação do Communications Mining™ e do Google AutoML para inteligência de dados de conversa
- Licenciamento
- Perguntas frequentes e mais
Guia do usuário do Communications Mining
Última atualização 20 de out de 2025
Observação: você deve ter atribuído as permissões Origem — Leitura e Conjunto de dados — Revisão como um usuário do Automation Cloud, ou as permissões Visualizar origens e Revisão e anotação como um usuário legado.
Se você tiver uma taxonomia madura pré-existente, com muitas mensagens revisadas, a adição de um novo rótulo requer algum treinamento adicional para alinhá-la com o restante dos rótulos na taxonomia.
Ao adicionar um novo rótulo a uma taxonomia bem treinada, certifique-se de aplicá-lo a mensagens revisadas anteriormente se o rótulo for relevante para elas. Caso contrário, o modelo terá sido efetivamente ensinado que o novo rótulo não deve se aplicar a eles e terá dificuldade para prever o novo rótulo com confiança.
Quanto mais exemplos revisados houver no conjunto de dados, mais treinamento será necessário ao adicionar um novo rótulo. Isso é, a menos que seja um conceito totalmente novo que você não encontrará em dados mais antigos, mas encontrará em dados muito mais recentes.
- Crie o novo rótulo quando você encontrar um exemplo em que ele deve ser aplicado.
-
Selecione Rótulo ausente para encontrar mais mensagens em que a plataforma determina que o novo rótulo deveria ter sido aplicado. Para obter mais detalhes, consulte Como encontrar mensagens com um rótulo Perdido.
- Depois que o modelo tiver tempo de retreinar e calcular as novas estatísticas de validação, verifique o desempenho do novo rótulo na página Validação .
- Verifique se é necessário mais treinamento.
- Pesquise termos ou frases-chave usando a função de pesquisa no Discover para encontrar instâncias semelhantes. Dessa forma, você aplica o rótulo em massa se houver muitos exemplos semelhantes nos resultados da pesquisa.
- Como alternativa à primeira etapa, pesquise termos ou frases-chave no Explorar. Esse é potencialmente um método melhor, pois você pode filtrar até Mensagens revisadas , e a pesquisa em Explorar retorna uma contagem aproximada do número de mensagens que correspondem aos seus termos de pesquisa.
- Selecione rótulos que você acha que podem aparecer com frequência ao lado de seu novo rótulo e revise os exemplos fixados para esse rótulo para encontrar exemplos em que seu novo rótulo deve ser aplicado.
- Depois de ter alguns exemplos fixados, verifique se ele começa a ser previsto no modo Rótulo . Se existir, adicione mais exemplos usando este modo.
- Se você estiver anotando em um conjunto de dados habilitado para sentimento e seu novo rótulo for positivo ou negativo, você também poderá escolher entre um sentimento positivo e negativo ao verificar exemplos revisados. Embora você não possa combinar a pesquisa de texto com os filtros Revisado e Sentimento .
- Depois de ter anotado alguns exemplos usando os métodos anteriores e o modelo tiver tempo para treinar novamente, use a funcionalidade Rótulo perdido no Explore , selecionando seu rótulo e, em seguida, selecione Rótulo perdido no menu suspenso.
- Isso mostrará mensagens revisadas em que o modelo determina que o rótulo selecionado pode ter sido perdido nos exemplos revisados anteriormente.
- Nessas instâncias, o modelo mostrará o rótulo como uma sugestão, conforme mostrado no exemplo de imagem.
- Aplique o rótulo a todas as mensagens às quais o modelo acha que o rótulo deveria ter sido aplicado.
- Continue o treinamento nesta página até ter anotado todos os exemplos corretos e esse modo não mostrará mais exemplos em que o rótulo deve realmente ser aplicado.
