- 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 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
- Configuração de campos gerais
- Uso de campos gerais em seu aplicativo
- Integração auto-hospedada do Exchange
- Framework de automação da UiPath®
- Atividades do UiPath® Marketplace
- 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
Esta caixa de correio recebe solicitações de Renovação, Cancelamento e Administrador que ocasionalmente são Urgentes. O Communications Mining™ foi treinado para reconhecer cada um desses conceitos, e as previsões do Communications Mining podem ser usadas para classificar os emails para a equipe correta criando tickets de suporte.
Como o formato do número da apólice é específico para essa seguradora em particular, configuramos o campo geral para ser treinado do zero. Por outro lado, a organização segurada é um tipo de organização e, portanto, a configuramos para ser treinável com base no campo geral da Organização integrado. Por fim, observamos que os agente nem sempre coloca seu nome no e-mail, então decidimos usar o endereço de e-mail do agente (disponível nos metadados dos comentários) para procurar o nome correspondente em um banco de dados interno, em vez de extraí-lo como um campo geral.
The following table summarizes these approaches.
| Configuração | Quando usar | Exemplos |
|---|---|---|
| Campo geral treinável sem campo geral de base | Usado mais frequentemente para vários tipos de IDs internos ou quando não há nenhum campo geral de base adequado no Communications Mining. | Número da apólice, ID do cliente |
| Campo geral treinável com campo geral base | Usado para personalizar um campo geral pré-construído existente no Communications Mining. | Data de Cancelamento (com base na Data), Organização Segurada (com base na Organização) |
| Campos gerais pré-construídos (não treináveis) | Usado para campos gerais que devem ser correspondidos exatamente conforme definidos, onde o treinamento geraria erros. | está em |
| Como usar metadados de comentário em vez de campos gerais | Usado quando as informações necessárias já estão presentes em forma estruturada nos metadados do comentário. | Endereço do remetente, Domínio do remetente |