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
- Dados de chamadas e chat de treinamento
- 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
Última atualização 7 de out de 2025
O campo geral realçado deve cobrir toda a palavra, ou várias, em questão, não apenas parte dela. Não inclua espaços adicionais no final do campo.
Semelhante aos rótulos, não revise parcialmente seus campos gerais e de extração.
- Os campos gerais são revisados no nível do parágrafo, não no nível inteiro da mensagem. Quando você revisar um parágrafo quanto aos campos, revise todos os campos no parágrafo.
Não confirmar um campo em um parágrafo onde você rotulou outros campos informa ao modelo que você não o considera um exemplo verdadeiro do campo previsto. Isso é refletido nas pontuações de validação e no desempenho do campo geral.
- Os campos de extração são revisados no nível da mensagem, não apenas no nível do parágrafo. Ao revisar uma mensagem inteira quanto aos campos, revise todos os campos na mensagem.
Não confirmar um campo em uma mensagem onde você rotulou outros campos informa ao modelo que você não o considera um exemplo verdadeiro do campo previsto. Isso é refletido nas pontuações de validação e no desempenho dos campos de extração.
Observação: as considerações no nível do campo e o desempenho da extração e do rótulo são as coisas mais importantes a serem lembradas ao atribuir campos gerais e de extração.
- Os campos globais não podem se sobrepor um ao outro ou a outro exemplo de si mesmo.
- Os campos globais e os campos de extração podem se sobrepor.
- Você pode usar o mesmo período de texto quantas vezes forem necessárias por diferentes campos de extração.
- Atualmente não há visualização de normalização de campo geral no Communications Mining™. Os campos que devem ser normalizados serão normalizados na resposta downstream. A normalização no Communications Mining estará disponível no modelo no futuro.
- Se um rótulo filho tiver extrações, seu pai não herdará os exemplos de extração automaticamente. Para rótulos, seu pai herda automaticamente os exemplos de extração.
- Fornecer exemplos de extração adicionais não melhora o desempenho de um rótulo. Para melhorar o desempenho de um rótulo, concentre-se no treinamento específico do rótulo.
- Melhorar o desempenho do rótulo permite aumentar a probabilidade de você capturar ocorrências onde um rótulo e, posteriormente, suas extrações deveriam ter sido previstos.
Para melhorar o desempenho de suas extrações, forneça exemplos validados nas próprias extrações.
