- 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
A página Explorar permite pesquisar, revisar e filtrar um conjunto de dados para inspecionar e revisar mensagens individuais e campos gerais. Selecione a guia Explorar na barra de navegação para navegar pela página:
Por padrão, o Explorar apresenta as 20 mensagens mais recentes em um conjunto de dados no modo Recente . Você pode selecionar o seletor de modo suspenso para alterar isso.
As diferentes opções que você pode selecionar no menu suspenso são:
- Recente – visualize 20 mensagens mais recentes.
- Aleatório – visualização 20 mensagens aleatórias.
- Ensinar — mostra 20 mensagens que a plataforma não tem certeza sobre como anotar.
- Baixa confiança – mostra 20 mensagens que não são bem cobertas por previsões de rótulos informativos.
- Rebalancear – mostre 20 mensagens que são sub-representadas pelos dados de treinamento em seu conjunto de dados.
- Rótulo – visualize 20 mensagens com o rótulo selecionado atribuído ou previsto, que é o modo padrão quando você seleciona um rótulo.
- Verificar rótulo – visualize 20 mensagens que podem ter o rótulo selecionado aplicado incorretamente.
- Rótulo ausente – visualize 20 mensagens que podem não ter o rótulo selecionado.
Na parte inferior da página, você pode selecionar ir para a próxima página de 20 mensagens ou voltar para uma página anterior.
Esta seção explica os filtros no Communications Mining™ e como aplicá-los.
A barra Filtros permite que você encontre grupos específicos de mensagens, onde você pode filtrar:
- Intervalos de datas específicos, que permitem selecionar datas exatas ou selecionar opções como a última semana, mês, 90 dias ou ano.
- Mensagens revisadas ou não revisadas.
- Mensagens com previsões de sentimento positivas ou negativas, se o sentimento estiver habilitado no conjunto de dados.
- Mensagens que têm campos gerais específicos previstos ou atribuídos.
- Messages that include or exclude a specific label or a combination of predicted labels. For more details, check Advanced Prediction Filters.
Além disso, você pode adicionar qualquer filtro com base nas propriedades de metadados associadas a suas mensagens selecionando Adicionar um novo filtro.
Quando você seleciona Adicionar um novo filtro, o menu suspenso mostra uma lista completa de todos os filtros de propriedades disponíveis.
Estes são agrupados naturalmente por categorias, e alguns são exclusivos do tipo de comunicação no conjunto de dados, por exemplo, email.
As categorias de propriedade nas quais as propriedades são agrupadas são:
- Origem — aparece apenas se houver mais de uma origem no conjunto de dados.
- E-mail - estes são específicos para e-mails individuais, por exemplo, quem enviou o e-mail.
- Thread - são específicos do email e estão relacionados às características dos threads de email.
- Anexo - específico para mensagens, principalmente emails, com propriedades de anexo específicas.
- Usuário - todas as outras propriedades de metadados carregadas, não derivadas pela plataforma, com cada mensagem.
Um ícone indica o tipo de propriedade para cada propriedade, se é um número ou uma string. Para propriedades de usuário de string, a plataforma fornece um valor de exemplo quando você passa o mouse.
Ao adicionar um filtro para campos de metadados com formato de string, você pode escolher o que incluir ou excluir em sua seleção, conforme mostrado nas seguintes imagens:
Se você adicionar um filtro para campos de metadados com formato de número, você pode selecionar valores mínimos ou máximos para criar um intervalo de sua escolha, conforme mostrado na imagem a seguir:
Para remover um filtro aplicado, selecione o ícone de lixeira que aparece quando você passa o mouse sobre ele ou selecione Limpar todos para remover todos os filtros aplicados.
You can use the label filter bar to filter messages that include or exclude specific labels predicted. You can do this either during model training, or when exploring and interpreting your data. For more details, check Advanced prediction filters.
Você pode usar os seguintes botões na seção Rótulos para filtrar entre a exibição de todas as mensagens, para aquelas que tiveram rótulos atribuídos a elas, ou aquelas com previsão, que não foram revisadas. Os ícones aparecem da seguinte maneira e mudam de cor quando selecionados:
| Selecione as mensagens que têm rótulos atribuídos. | |
| Selecione mensagens que tenham rótulos previstos. |
Para desmarcar o filtro, selecione o botão novamente.
Se você não selecionar nenhum desses botões, mas filtrar para um rótulo, a plataforma filtrará todas as mensagens que tenham o rótulo fixado ou previsto, começando pelas mensagens revisadas primeiro.
The label filter bar and the + Add label filter allow you to add complex combinations of inclusion and exclusion filters, for example, show me messages with X and Y predicted, but not Z. For more details on how to use these filters, check Advanced prediction filters.
Indicador de treinamento do mostrador vermelho
- The red dial training indicator shows up for some labels and highlights the ones that require more training examples for the platform to accurately evaluate the performance of the label. For more details, check Reviewing messages.
- A integridade do círculo indica quantos exemplos mais são necessários. Quanto maior a seção vermelha, mais exemplos são necessários.
- Depois de ter 25 exemplos anotados, o círculo vermelho desaparece, dependendo da complexidade do rótulo. No entanto, você pode precisar de mais exemplos para obter previsões precisas.
- You should review messages to find more training examples.
Para conjuntos de dados que contêm e-mails, eles são exibidos, mostrando o e-mail que corresponde à ordem de classificação selecionada, por exemplo, Ensinar rótulo, Rótulo perdido e assim por diante, mas com fácil acesso aos outros e-mails que estão no mesmo thread de e-mails.
No exemplo a seguir, você pode observar que o e-mail classificado está em um thread de três e-mails, e este é o terceiro e-mail no tópico.
Você pode expandir o thread de e-mail para mostrar visualizações parciais dos outros e-mails no tópico selecionando o ícone de seta bidirecional abaixo do assunto:
Se você selecionar novamente em qualquer um dos emails parcialmente expandidos, eles serão expandidos totalmente, conforme o email classificado original:
