- 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
Geração de suas extrações
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. Depois de fazer as previsões de extração, se o modelo detectar extrações de campos no comentário, ele destacará o período relevante no texto. O modelo exibe o valor extraído no painel lateral. Para saber como validar os valores previstos, consulte Validação e anotação de extrações geradas.
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.