- 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 terceira fase, e a etapa final do processo de treinamento, é chamada de Refinar. O objetivo desse estágio é entender como seu modelo está funcionando e refina-lo até que tenha o desempenho necessário. Isso envolve melhorar rótulos específicos que não estão funcionando conforme o esperado, garantindo que você tenha capturado todos os conceitos relevantes do rótulo e certificando-se de que seus dados de treinamento sejam uma representação equilibrada do conjunto de dados como um todo.
A plataforma foi projetada para ser completamente transparente para os usuários no que diz respeito ao desempenho dos modelos e muito flexível no que diz respeito à melhoria de desempenho nas áreas que necessitam. Para qualquer caso de uso, você quer ter confiança de que seu modelo captura uma representação precisa do que está em seu conjunto de dados, e esta fase do treinamento ajuda a garantir que você possa ser.
Esta seção da Base de Conhecimento abordará em detalhes as etapas descritas abaixo, mas começará com explicações detalhadas sobre precisão e recall, como a Validação funciona e como entender os diferentes aspectos do desempenho do modelo.
-
Revisar Classificação do Modelo - Essa etapa é sobre como verificar sua Classificação do Modelo na Validação e identificar onde a plataforma acha que pode haver problemas de desempenho com seu modelo, bem como fornecer orientação sobre como resolvê-los. Esta seção inclui detalhes sobre a compreensão e a melhoria do desempenho do modelo.
-
Refinar o desempenho do rótulo — esta etapa é sobre a realização de ações, recomendadas pela plataforma, para melhorar o desempenho de seus rótulos. Isso inclui o uso dos modos de treinamento Verificar rótulo e Rótulo ausente , que ajudam você a resolver possíveis inconsistências em sua anotação, bem como o modo Ensinar rótulo . Para obter mais detalhes, consulte Treinamento usando Teach Label (Explore).
-
Aumentar cobertura – Ajuda a garantir que o máximo possível de seu conjunto de dados seja coberto por previsões significativas de rótulo.
-
Melhorar o equilíbrio - Esta etapa é para garantir que seus dados de treinamento sejam uma representação equilibrada do conjunto de dados como um todo. Melhorar o equilíbrio no conjunto de dados ajuda a reduzir o viés de anotação e aumentar a confiabilidade das previsões feitas.
