- 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
- 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
Antes de começar a treinar seu modelo, certifique-se de ler as dicas a seguir e evitar os armadilhas comuns. Isso ajudará a manter o tempo de treinamento menor e a melhorar o desempenho de seu modelo.
- Adicione todos os rótulos aplicáveis.
- Adicione rótulos de forma consistente.
- Rotule o que você pode ver à sua frente.
Adicione todos os rótulos que se aplicam a uma mensagem. É uma armadilha comum para novos usuários anotarem parcialmente uma mensagem aplicando apenas o que eles estão se concentrando e esquecendo de adicionar todos os outros que se aplicam. Não aplicar um rótulo é tão poderoso quanto aplicar um — você está dizendo ao modelo que a mensagem não é algo tão bom quanto o que é. Portanto, certifique-se de aplicar todos os rótulos, pois isso pode confundir o modelo mais tarde, podendo levar a um desempenho pior.
Certifique-se de que você seja consistente ao adicionar rótulos. Por exemplo, se você adicionar o rótulo Sala > Tamanho a uma mensagem e se esquecer de adicioná-lo a outra onde ele deve ser adicionado, você confundirá o modelo. Como na dica anterior, quando você não aplica um rótulo, ele é tão poderoso quanto aplicar um.
Não faça suposições ao aplicar seu conhecimento do negócio. Se nada no assunto ou no corpo da mensagem indicar que um rótulo deve ser aplicado, não o aplique, ou o modelo não entenderá por que ele se aplica.
Não perca muito tempo decidindo nomes de rótulos
Não perca muito tempo pensando no nome correto para um rótulo. Você pode renomear um rótulo a qualquer momento durante o processo de treinamento.
Seja específico ao nomear um rótulo
Seja o mais específico possível ao nomear um rótulo e mantenha a taxonomia o mais simples possível inicialmente. É melhor ser o mais específico possível com o nome do seu rótulo desde o início, pois você sempre poderá alterar e reestruturar a hierarquia posteriormente.
Por exemplo, se você escolheu aplicar um rótulo para descrever a limpeza de uma sala, você pode aplicar: Limpeza do ambiente. Se posteriormente você decidiu alterá-lo e ter limpeza como um sub-rótulo, você poderá renomeá-lo para: Sala > Limpeza. Nesta fase, você deve adicionar o maior número possível de rótulos a uma mensagem, pois sempre poderá voltar e mesclar mais tarde.
