- 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
- Preparando dados para carregamento de .CSV
- Carregar um arquivo CSV para uma origem
- Carregamento de um arquivo PST
- 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
- Tags de transformação de email
- 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
- 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
- Guia de migração: Exchange Web Services (EWS) para a API do Microsoft Graph
- 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
Auditoria do AI Trust Layer para funcionalidades de IA generativa do Communications Mining: quais entradas e saídas de LLM são gravadas para cada funcionalidade e como revisá-las para conformidade.
A funcionalidade do Communications Mining envia as solicitações do Modelo de Linguagem Abrangente (LLM) para suas funcionalidades de IA generativa por meio da UiPath AI Trust Layer™, que registra cada operação em um log de auditoria. O log de auditoria dá aos administradores visibilidade sobre os dados enviados aos LLMs e as respostas que eles retornaram, oferecendo suporte aos requisitos de conformidade, governança e transparência de dados.
Exibir entradas de auditoria
Cada operação aparece na guia Auditoria da página AI Trust Layer , sob o nome do produto IXP , incluindo as entradas enviadas ao LLM e as saídas que ele retornou.
As entradas permanecem visíveis por 60 dias e você pode exportá-las para períodos de retenção mais longos. Para obter detalhes sobre a visualização de auditoria, exportações e retenção, consulte Visualização de logs de auditoria.
Funcionalidades auditadas
As seguintes funcionalidades de IA generativa são registradas no log de auditoria, cada uma com a entrada e a saída listadas:
| Recurso | Entrada auditada | Saída auditada |
|---|---|---|
| Extração generativa | A solicitação de extração, identificada pelo ID da mensagem | A resposta bruta do LLM, contendo as previsões retornadas para a mensagem |
| Anotação generativa | Uma amostra de mensagens das origens no conjunto de dados | Os rótulos retornados para as mensagens amostradas |
| Rótulos sugeridos dos clusters | A lista de IDs de mensagem no cluster | Os rótulos sugeridos para o cluster, com o raciocínio por trás deles |
| Geração de taxonomia com disparo zero (visualização) | A lista de rótulos sugeridos pelos clusters | O esquema de taxonomia gerado |
| Filtros de conversa (visualização) | O prompt do usuário | O esquema de filtro gerado |
Controle de dados auditados
As políticas do Automation Ops para a AI Trust Layer controlam como os dados de auditoria são tratados: você pode desativar o salvamento de entradas e saídas ou mascarar informações de identificação pessoal (PII) antes que as solicitações cheguem ao LLM. Para obter detalhes, consulte Configurações para políticas da AI Trust Layer.