- 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
- 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
- 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
A CLI permite que você baixe comentários e previsões em lote. Isso é mais útil para importar o script para ferramentas de análise que não exigem uma conexão ao vivo.
O comando a seguir baixará todos os comentários e previsões na origem e no conjunto de dados especificados. Observe que o nome do conjunto de dados e o nome de origem devem ser prefixados pelo nome do projeto em que estão. Se o conjunto de dados contiver várias origens, é necessário emitir esse comando para cada origem para baixar todos os comentários no conjunto de dados.
re get comments project/source-name --dataset project/dataset-name --predictions=true -f output.jsonlre get comments project/source-name --dataset project/dataset-name --predictions=true -f output.jsonl
Qual versão do modelo a CLI usa para obter previsões?
A CLI baixará as últimas previsões computadas disponíveis. Essas são as mesmas previsões exibidas na interface gráfica.
Se você precisar de previsões de uma versão do modelo específico, considere usar a ou as rotas de API de previsão .
A CLI retorna dados no formato JSONL (também chamado de JSON delimitado por novas linhas), onde cada linha é um valor JSON. Muitas ferramentas serão capazes de processar arquivos JSONL prontos para uso. Entre em contato com o suporte se tiver alguma dúvida.
Cada linha do arquivo JSONL terá o seguinte formato:
{
"comment": {...},
"annotating": {
"assigned": [...]
"predicted": [...]
},
"entities": {
"assigned": [...]
"predicted": [...]
}
}{
"comment": {...},
"annotating": {
"assigned": [...]
"predicted": [...]
},
"entities": {
"assigned": [...]
"predicted": [...]
}
}| Nome do campo | Description |
|---|---|
comment | Objeto Comment no formato descrito Comments. |
annotating.assigned | Lista de rótulos atribuídos, no formato descrito Rótulos. |
entities.assigned | Lista de entidades atribuídas, no formato descrito Campos gerais. |
annotating.predicted | Lista de rótulos previstos, no formato descrito Rótulos. |
entities.predicted | Lista de entidades previstas, no formato descrito Campos gerais. |
annotating ou entities podem estar ausentes completamente se o comentário não tiver rótulos ou entidades atribuídos nem previstos.
O seguinte é um comentário de exemplo com previsões baixadas de um conjunto de dados da vida real.
{
"comment": {
"id": "1234abcd",
"uid": "5678ef.1234abdc",
"timestamp": "2021-02-01T00:00:00Z",
"messages": [
{
"body": {
"text": "The hot chocolate biscuit on arrival raised my expectations"
}
}
],
"user_properties": {
"string:Question": "What did you like about your stay",
"number:Reviewer Score": 5.4,
"number:Average Score": 8.4,
"number:Reviewer Total Number Of Reviews": 1,
"string:Hotel Name": "DoubleTree by Hilton London Victoria"
},
"created_at": "2021-02-01T00:00:00Z"
},
"annotating": {
"predicted": [
{
"name": "Refreshments",
"sentiment": 0.3598046874571062,
"probability": 0.54764723591506481
},
{
"name": "Property",
"sentiment": 0.6684685489411859,
"probability": 0.417815982922911644
}
]
}
}{
"comment": {
"id": "1234abcd",
"uid": "5678ef.1234abdc",
"timestamp": "2021-02-01T00:00:00Z",
"messages": [
{
"body": {
"text": "The hot chocolate biscuit on arrival raised my expectations"
}
}
],
"user_properties": {
"string:Question": "What did you like about your stay",
"number:Reviewer Score": 5.4,
"number:Average Score": 8.4,
"number:Reviewer Total Number Of Reviews": 1,
"string:Hotel Name": "DoubleTree by Hilton London Victoria"
},
"created_at": "2021-02-01T00:00:00Z"
},
"annotating": {
"predicted": [
{
"name": "Refreshments",
"sentiment": 0.3598046874571062,
"probability": 0.54764723591506481
},
{
"name": "Property",
"sentiment": 0.6684685489411859,
"probability": 0.417815982922911644
}
]
}
}