- 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
- Uso dos campos gerais
- Extração generativa
- Uso de análise e monitoramento
- Visão geral
- Uso de relatórios
- Filtragem de relatórios
- Autopilot™ para Communications Mining - Filtros de conversa (pré-visualização)
- 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
O filtro de conversas é um recurso do Autopilot para o Communications Mining que ajuda você a obter as respostas de que precisa mais rapidamente.
Ele transforma as consultas em linguagem natural no conjunto de filtros necessários para respondê-las. Se você não tiver certeza de quais filtros precisa para responder uma pergunta ou como aplicá-los corretamente, ele faz o trabalho pesado para você. Isso ajuda você a obter o melhor das análises no Communications Mining, com o mínimo de experiência.
Os filtros de conversa estão disponíveis para todos os usuários que têm a opção Usar recursos de IA generativa habilitado nas configurações do conjunto de dados. A alternância normalmente é habilitada na criação do conjunto de dados.
Para usar filtros de conversa, siga estas etapas:
- Digite uma consulta, como Mostrar mensagens transacionais e pressione Enter.
- Aguarde até que o Communications Mining entenda a consulta, mapeie-a para o conjunto correto de filtros e aplique-os para você.
- O filtro gera uma resposta. A resposta confirma quantos filtros foram identificados na mensagem e quantos foram aplicados com sucesso. Isso ajuda a identificar se uma consulta foi parcialmente bem-sucedida e permite que você edite a consulta, se necessário, ou aplique manualmente quaisquer filtros restantes.
Se uma solicitação tiver sido parcialmente bem-sucedida, um dos valores na consulta provavelmente não pôde ser identificado e pode não estar presente no conjunto de dados.
Se você precisar editar a consulta para refina-la, ajuste as palavras e pressione Enter novamente. Ele limpa automaticamente os filtros aplicados atualmente e, em seguida, aplica o conjunto de filtros identificados na consulta.
Filtros de conversas só mudam da exibição Mensagem para a exibição Tópicos enquanto estiver em Relatórios. A visualização Tópicos não está disponível em Explorar, pois as mensagens já são exibidas no contexto do seu tópico.
-
De um período de tempo específico: mostre-me mensagens de [inserir período de tempo].
-
De um remetente ou domínio de remetente específico: Exiba mensagens de [inserir email/domínio do email].
-
Mensagens versus threads:
- Enquanto estiver em Relatórios, você pode fazer com que ela alterne da exibição de Mensagens para a exibição de Threads adicionando threads ou mostrando-me de conversas à sua consulta.
- De maneira similar, para retornar à visualização Mensagens , adicione mostre-me mensagens ou mostre-me e-mails.
-
Descoberta de oportunidades:
-
- Mostre-me mensagens transacionais - têm threads curtas (2 a 4 mensagens) e podem ser as principais candidatas para automação.
- Mostre-me solicitações que contêm documentos aceitos pelo Document Understanding - esses podem ser candidatos para processamento com o downstream do Document Understanding.
- Mostre-me mensagens mostrando níveis de serviço muito ruim [ou muito ruim] – se você tiver a Qualidade do serviço habilitada e configurada, isso ajuda a identificar mensagens e rótulos problemáticos.
Se o filtro não reconhecer a solicitação ou a solicitação atingir o tempo limite, uma mensagem de erro será exibida.
Se uma solicitação não foi bem-sucedida, os valores na consulta provavelmente não eram identificáveis e podem não estar presentes no conjunto de dados.
Edite a consulta, verifique se há erros de digitação ou erros e tente novamente.
