- 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
- 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 página Explorar tem vários modos de treinamento, e esta fase se concentra principalmente em três deles:
- Aleatório — Mostra uma seleção aleatória de mensagens para os usuários anotarem. Certifique-se de concluir uma parte significativa do treinamento em Aleatório, para criar um conjunto de treinamento de exemplos que seja representativo do conjunto de dados mais amplo.
- Ensinar - Usado para mensagens não revisadas. Assim que a plataforma fizer algumas previsões razoáveis para um rótulo, você poderá melhorar a capacidade de prever o rótulo para exemplos mais variados, revisando as mensagens no modo Teach padrão, que é para mensagens não revisadas. Isso mostrará mensagens em que a plataforma não tem certeza se o rótulo selecionado se aplica ou não.
- Baixa confiança - Mostra mensagens que não são bem cobertas por previsões de rótulos informativos. Essas mensagens não terão previsões ou previsões de confiança muito baixa para rótulos que a plataforma entende como informativos.
Esta seção também abordará treinamento usando Pesquisar no Explorar, semelhante ao treinamento usando Pesquisar no Discover.
Ensinar, para mensagens revisadas, é outro modo de treinamento em Explorar. Para obter mais detalhes, consulte Como refinar modelos e usar a Validação.
O layout da imagem exibida anteriormente é explicado na tabela a seguir:
| 1 | Ajuste o intervalo de datas ou período das mensagens exibidas. | 
| 2 | Adicione vários outros filtros com base nos metadados das mensagens, por exemplo pontuação ou remetente. | 
| 3 | Adicione um filtro de campo geral. | 
| 4 | Alternar de todas as mensagens para mensagens revisadas ou não revisadas, também ajusta as contagens de rótulos fixados versus previstos. | 
| 5 | Adicione um filtro de rótulo. | 
| 6 | Pesquise rótulos específicos dentro da sua taxonomia. | 
| 7 | Adicione mais rótulos. | 
| 8 | Expanda os metadados da mensagem. | 
| 9 | Atualizar a consulta atual. | 
| 10 | Alterne entre diferentes modos de treinamento, como recente, aleatório, administrador e baixa confiança, e selecione o rótulo para classificar. | 
| 11 | Pesquise no conjunto de dados mensagens que contêm palavras ou frases específicas. | 
| 12 | Baixe todas as mensagens nesta página ou exporte o conjunto de dados com filtros aplicados como um arquivo CSV. | 
O número de exemplos necessários para prever com precisão cada rótulo pode variar muito, dependendo da extensão ou especificidade de um conceito de rótulo.
Pode ser que um rótulo esteja normalmente associado a palavras, frases ou intenções muito específicas e facilmente identificáveis, e a plataforma seja capaz de prever isso de forma consistente com relação a poucos exemplos de treinamento. Também pode ser que um rótulo capture um tópico amplo com muitas variações diferentes de idioma que seriam associados a ele, caso em que pode exigir muito mais exemplos de treinamento para permitir que a plataforma identifique de forma consistente instâncias em que o rótulo deve ser aplicado.
Muitas vezes, a plataforma pode começar a fazer previsões para um rótulo com apenas cinco exemplos. Porém, para estimar com precisão o desempenho de um rótulo, ou seja, quão bem a plataforma é capaz de previ-lo, cada rótulo requer pelo menos 25 exemplos.
Ao anotar no Explore, os pequenos seletores vermelhos ao lado de cada rótulo indicam se mais exemplos são necessários para estimar com precisão o desempenho do rótulo. O mostrador começa a desaparecer à medida que você fornece mais exemplos de treinamento e desaparecerá completamente quando você atingir 25.
Isso não significa que, com 25 exemplos, a plataforma poderá prever com precisão cada rótulo, mas pelo menos poderá validar o quão bem pode prever cada rótulo e alertar você se um treinamento adicional for necessário.
Durante a fase Explorar, certifique-se de fornecer pelo menos 25 exemplos para todos os rótulos nos quais você está interessado, usando uma combinação das etapas mencionadas anteriormente, ou seja, principalmente Aleatório, e Ensinar e Não revisado.
Durante a fase Refinar, pode ficar claro que mais treinamento é necessário para certos rótulos melhorarem seu desempenho. Para obter mais detalhes, consulte Como refinar modelos e usar a Validação.
No Explorar, quando você atingir 25 exemplos fixados para um rótulo, você poderá observar um dos seguintes indicadores de desempenho de rótulo no lugar do mostrador de treinamento:
- O cinza é um indicador de que a plataforma está calculando o desempenho desse rótulo. Isso significa que ele será atualizado para desaparecer ou um círculo amarelo ou vermelho depois de calculado.
- Chrome é um indicador de que o rótulo tem um desempenho um pouco abaixo do satisfatório e pode ser melhorado.
- O vermelho é um indicador de que o rótulo está apresentando um desempenho ruim e precisa de treinamento adicional ou ações corretivas para melhorá-lo.
- Se não houver nenhum círculo, o rótulo estará funcionando em um nível satisfatório, embora ainda possa precisar de melhorias, dependendo do caso de uso e dos níveis de precisão desejados.
- Para entender mais sobre o desempenho do rótulo e como melhorá-lo, confira Entendendo e melhorando o desempenho do modelo.
Se você selecionar o ícone de marcador, conforme mostrado nas imagens a seguir, na parte superior da barra de filtro do rótulo para filtrar as mensagens revisadas, você verá o número de mensagens revisadas que têm esse rótulo aplicado.
Se você selecionar o ícone de computador para filtrar mensagens não revisadas, será mostrado o número total de previsões para esse rótulo, que também inclui o número de exemplos revisados.
No Explorar, quando nem revisadas nem não revisadas estiverem selecionadas, a plataforma mostra o número total de mensagens fixadas para um rótulo como padrão. Em Relatórios, o padrão é mostrar o total previsto.
- O modelo pode fazer previsões com apenas algumas mensagens anotadas, embora, para que ele faça previsões confiáveis, você deve anotar no mínimo 25 mensagens por rótulo. Alguns exigem mais do que isso. Isso depende da complexidade dos dados, do rótulo e da consistência com a qual os rótulos foram aplicados.
- Em Explorar, você também deve tentar encontrar mensagens em que o modelo previu um rótulo incorretamente. Você deve remover rótulos incorretos e aplicar os corretos. Esse processo ajuda a evitar que o modelo faça uma previsão incorreta semelhante no futuro