- 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
- Preparando dados para carregamento de .CSV
- Carregar um arquivo CSV para uma origem
- 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
- Guia de migração: Exchange Web Services (EWS) para a API do Microsoft Graph
- 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
Pré-requisitos
Escolha um rótulo que não tenha indicadores de desempenho ou avisos e esteja em um nível de precisão ou recall apropriado para seu caso de uso.
O processo de Validação de extração é necessário para entender o desempenho dessas extrações por meio da Validação.
Escolha a extração que você deseja treinar. Relatório > Extrato de contas é um exemplo de um esquema para treinar.
Para automatizar este processo, extraia os seguintes pontos de dados para inserir em um sistema downstream:
Isso só é aplicável se você estiver treinando no Explore. Em Treinar, selecionar em um lote de treinamento de extração pré-carrega as extrações. Use esse modo de treinamento conforme a necessidade para aumentar o número de exemplos de treinamento para cada extração, ou seja, um conjunto de campos atribuídos a um rótulo, para pelo menos 25. Isso permite que o modelo estime com precisão o desempenho da extração.
Se você usar o LLM de extração generativa, recomendamos parar de anotar mais exemplos quando você atingir 25 exemplos para cada campo. Isso é suficiente para aprendizado e validação no contexto, e mais exemplos não melhoram o desempenho.
Etapas
Para gerar suas extrações, prossiga da seguinte forma:
-
Navegue até a guia Explorar .
-
Selecione Rótulo e, em seguida, selecione o rótulo no qual deseja gerar extrações.
-
Selecione Prever extrações, que gera extrações por página no Explore. Isso significa que ele aplica previsões em todos os comentários em uma determinada página.
Observação:Cada vez que você vai para a próxima página, é necessário selecionar Prever extrações novamente.
Além disso, você pode gerar extrações em um nível de comentário individual selecionando Anotar campos e, em seguida, Prever extrações . Para obter mais detalhes, consulte Previsão de extrações.
4. After making the extraction predictions, if the model picked up field extractions on the comment, it highlights the relevant span in the text. The model displays the extracted value in the side panel. To learn how to validate the predicted values, check Validating and annotating generated extractions.
Previsão de extrações
Esta seção descreve o que acontece quando você prevê extrações:
- O modelo usa modelos generativos e mapeia cada um dos pontos de dados que você definiu anteriormente em nosso esquema de extração, para relaciona-los com uma intenção, ou seja, um rótulo.
- Ele os extrai e os retorna em um esquema estruturado, para um SME passar e confirmar.
- O esquema estruturado é destinado a habilitar automações mais complexas e é estruturado no formato JSON na API para consumo por qualquer automação downstream.