- 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
- Visão geral
- Comparação de LLMs CommPath e Preview
- Configurando campos
- Filtragem de tipo de campo de extração
- Geração de suas extrações
- Validação e anotação de extrações geradas
- Práticas recomendadas e considerações
- Noções Básicas sobre Validação de Extrações e Desempenho de Extração
- Perguntas frequentes (FAQs)
- 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
- CommPath LLM
- Visualização do LLM
As seções a seguir descrevem algumas das considerações ao decidir sobre um LLM a ser usado. Se seu caso de uso exigir a extração de mais de 30 campos por mensagem, é recomendável usar o Preview LLM.
- Aproveita o LLM proprietário da UiPath®, ajustado para dados de Comunicação.
- Limitado a extração de aproximadamente 30 campos por mensagem.
- Menos latência do que o Preview LLM.
- Você pode ajustá-lo com base em seus dados.
- Melhorar o desempenho para a CommPath, tanto em termos do número de campos que podem ser extraídos, quanto na velocidade de inferência para o modelo é uma alta prioridade.
- Fornece confiança de ocorrência específica em comparação com o Preview LLM. Para obter mais detalhes, consulte Automação com extração generativa.
- Aproveita o modelo GPT do Azure OpenAI como o LLM subjacente.
- A UiPath® não pode garantir o tempo de atividade, pois isso depende totalmente dos endpoints do Azure OpenAI. Se os endpoints estiverem inoperantes ou sobrecarregados, a UiPath não pode garantir a disponibilidade.
- Você pode extrair mais de 30 campos por mensagem.
- Maior quantidade de latência em comparação com o CommPath LLM.
- Limitado ao aprendizado no contexto.
Observação: ao usar o aprendizado no contexto, a plataforma só pode aprender com o que você solicitar. O Communications Mining™ pode refinar automaticamente o prompt até certo ponto, mas o modelo não aprende com nenhuma validação orientada pelo usuário.
Use as configurações ilustradas nas imagens a seguir para selecionar qual LLM você deseja usar para a Extração Generativa.
O CommPath LLM está habilitado por padrão. Para habilitar o Preview LLM, certifique-se de habilitar Usar recursos de IA generativa e Usar modelo de extração generativo de visualização.
Se a alternância Usar modelo de extração generativa de visualização estiver desativada, significa que você está usando o CommPath LLM.
Ter as alternâncias Usar funcionalidades de IA generativa e Usar modelo de extração generativa de visualização ativadas significa que a plataforma usa o endpoint do UiPath Azure OpenAI no processo de extração.
- Comece a treinar suas extrações com o CommPath LLM.
- Se as extrações forem extraídas corretamente, continue a treinar as extrações usando o CommPath LLM. Se não, devido ao alto número de campos ou tabelas grandes em cada mensagem, mude para a Preview LLM.
Para determinar se suas extrações prevêem corretamente, verifique as estatísticas de validação na guia Extração generativa , na página Validação . Se a precisão e recall das extrações forem adequadas para o seu caso de uso, continue a usar o CommPath LLM.
Se algum ponto de dados não for extraído conforme o esperado com o CommPath LLM:
- Fixe a versão do modelo atual acessando modelos e selecione Fixar na versão do modelo mais recente.
- Entre em contato com o representante da UiPath®, anotando a versão do modelo em que as extrações não estavam com um bom desempenho. Seu representante da UiPath trabalhará diretamente com a equipe de produtos do Communications Mining™ para investigar e implementar melhorias.
- Se você usar o LLM de Visualização, continue a treinar seu modelo da mesma maneira que você treinou o LLM de CommPath. Examine isso e forneça exemplos corretos para cada uma de suas extrações.