- 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
- 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
- Integração auto-hospedada do Exchange
- Framework de automação da UiPath®
- Atividades do UiPath® Marketplace
- 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
Um rótulo é um resumo estruturado de uma intenção ou conceito expresso dentro de uma mensagem. Vários rótulos geralmente resumem uma mensagem, o que significa que um rótulo não é uma classificação mutuamente exclusiva da mensagem.
Por exemplo, em um conjunto de dados que monitora a experiência do cliente, podemos criar um rótulo chamado Notificação de faturas incorretas, que descreve quando um cliente informa à empresa que recebeu o que acredita ser uma fatura incorreta.
As ações de criação e edição de rótulos são executadas principalmente nas páginas Explorar e Descobrir .
Você inicialmente cria rótulos aplicando um a uma mensagem relevante. Você pode continuar a aplicá-las para criar exemplos de treinamento para o modelo e a plataforma começará a prever automaticamente o rótulo no conjunto de dados onde ele for relevante.
Um rótulo aplicado a uma mensagem é considerado fixado, enquanto os rótulos que a plataforma atribui às mensagens são conhecidos como previsões de rótulos.
Para saber sobre mensagens revisadas e não revisadas, consulte Mensagens anotadas e não anotadas.
% para essa previsão do rótulo. Quanto maior o nível de confiança, mais confiante a plataforma fica de que o rótulo se aplica.
O nível de confiança que a plataforma tem nos rótulos previstos sombreia os rótulos. Quanto mais opaco for o rótulo, maior a confiança da plataforma que o rótulo se aplica.
É possível organizar rótulos em uma estrutura hierárquica para ajudar você a organizar e treinar novos conceitos mais rapidamente.
Essa hierarquia pode estar no seguinte formato: [Rótulo pai] > [Rótulo de ramificação 1] > [Rótulo de ramificação n] > [Rótulo filho]
> separa, que formam subconjuntos dos rótulos anteriores na hierarquia.
Sempre que um rótulo filho ou rótulo de ramificação é fixado ou previsto, o modelo considera que os níveis anteriores na hierarquia também foram fixados ou previstos. As previsões para rótulos pai normalmente terão níveis de confiança mais altos do que os níveis mais baixos da hierarquia, pois geralmente são mais fáceis de identificar.
Para obter mais detalhes sobre hierarquias de rótulos, consulte Taxonomias.
Para conjuntos de dados com análise de sentimento habilitada, uma cor verde ou vermelha indica um sentimento positivo ou negativo para cada rótulo, tanto fixado quanto previsto.
Diferentes níveis de uma hierarquia de rótulo podem ter diferentes previsões de sentimento. Por exemplo, uma avaliação pode ser geral positiva sobre uma Propriedade, mas pode ser negativa em relação à Propriedade > Local.
