- 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
- Migration Guide: Exchange Web Services (EWS) to Microsoft Graph API
- 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
Visão geral
A Extração Generativa (GenEx) é uma nova funcionalidade inovadora para o UiPath® Communications Mining™ que aproveita a IA Generativa para entender as relações complexas entre várias solicitações e os pontos de dados necessários para processá-las.
Um email pode conter várias solicitações, com cada uma exigindo vários campos extraídos para habilitar a automação. A automação disso de ponta a ponta requer mais do que apenas extrair corretamente o campo em si, mas também uma compreensão de como cada um desses elementos está relacionado entre si. A GenEx avança significativamente no escopo do que é possível fazer para a automação baseada em comunicações.
A extração generativa aproveita o que há de mais recente em recursos de NLP e também fornece as proteções necessárias para que as empresas implementem automações complexas baseadas em comunicação para processos de negócios.
Processos e comunicações mais complexos, contendo várias solicitações diferentes, agora também podem ser principais candidatos para automação.
Para alguns casos de uso, as extrações podem ser geradas sem nenhum treinamento e podem ser ajustadas ainda mais com poucos dados de treinamento.
Recursos principais da Extração generativa
-
Reconhece relacionamentos - A extração generativa ajuda a identificar a relação entre diferentes conceitos e pontos de dados em comunicações. Por exemplo, identificar para uma solicitação de alteração de endereço de política, o número da política que precisa ser atualizada, o endereço antigo e o novo endereço para atualizá-lo.
-
Usa modelos generativos - Usa modelos de linguagem generativa de última geração (LLMs) para prever intenções específicas e mapear cada um dos pontos de dados relacionados a elas, extraindo-os em um esquema estruturado para automação — tudo com o mínimo de treinamento.
-
Automatiza várias solicitações - isso permite a automação de várias solicitações em uma única comunicação — seja a mesma solicitação repetida para diferentes pontos de dados ou vários tipos de solicitação diferentes, cada um com seu próprio esquema de pontos de dados necessários para processamento automatizado.
Processo fim a fim do uso da extração generativa
As etapas a seguir descrevem o processo fim a fim da validação de extrações. Cada etapa é abordada com mais detalhes nas seções subsequentes.
- Defina seu esquema de extração:
- Identifique quais processos, ou seja, os rótulos, que você deseja automatizar, e os pontos de dados, ou seja, os campos, que precisam ser capturados para habilitar a automação.
- Crie o esquema de extração correspondente.
- Gerar extrações:
- A geração de extrações permite que você acelere significativamente o processo de localização e relacionamento de dados. Para alguns casos de uso, a plataforma não requer exemplos de treinamento para gerar suas extrações.
- Use os recursos generativos da plataforma para criar suas extrações iniciais.
- Validar e corrigir extrações:
- Revise as extrações da plataforma e aceite-as se estiverem corretas, ou corrija-as se não estiverem.
- A plataforma é flexível e fácil, e você pode adicionar novos esquemas de extração em qualquer momento durante o processo de treinamento.
- Revise a validação das extrações:
- Verifique o desempenho das suas extrações na aba Validação .
- Determine se suas extrações estão em um nível de desempenho adequado para seu caso de uso.
Como a extração generativa funciona
O diagrama a seguir ilustra como a Extração generativa funciona em um alto nível. Você pode verificar a relação entre rótulos, extrações e os campos correspondentes necessários para automatizar um processo de ponta a ponta.
O GenEx permite a automação de processos complexos que exigem uma compreensão das relações entre conceitos e pontos de dados. As extrações são geradas após você treinar os rótulos apropriados. Se você precisar de detalhes adicionais sobre como o GenEx funciona, consulte o Anexo A.
Fluxo de trabalho de extração generativo
Ao configurar seu esquema de extração, você precisa decidir quais processos, ou seja, quais rótulos, você deseja automatizar.
Para que a plataforma entenda a relação entre o processo e quais pontos de dados precisam ser extraídos, a plataforma solicita que você forneça os pontos de dados apropriados. A seção Como configurar campos entra em mais detalhes sobre as práticas recomendadas e como isso funciona especificamente.
No exemplo da imagem a seguir, o solicitante está fazendo perguntas sobre dois tópicos diferentes na mesma mensagem, com cada solicitação chamando diferentes pontos de dados para extração e ação.
