ixp
latest
false
- 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
Última atualização 7 de out de 2025
Observação:
- You must have assigned the IXP Viewer or IXP Analyst, and IXP Project Admin or IXP Developer roles, or the View sources and Review and annotate permissions as a legacy user.
- To view chat and calls data, you must have assigned the View Sources permission.
- To view labels, you must have the View labels permission, and to apply labels, you must have the Review and annotate permission.
Chat or calls data are commonly trained for analytics and monitoring-based use cases to gain a detailed understanding of the processes, issues, and sentiments within a conversation.
Alguns exemplos de perguntas que você pode responder para esses tipos de comunicação:
- How many conversations start with a customer asking us about a topic, a complaint, and so on.
- Quais são os principais tópicos sobre os quais os clientes estão entrando em contato conosco?
- Quanto tempo leva para resolver uma conversa sobre um determinado tópico?
- Qual é a qualidade do serviço que os agentes fornecem aos nossos clientes?
- Qual é o sentimento quando um determinado tópico é mencionado?
Um thread de chat/chamada
Layout explicado:
- Isso é usado para indicar que uma mensagem foi marcada como não informativa
- Isso indica que um rótulo foi adicionado a uma mensagem
- Permite que um usuário marque uma mensagem como não informativa
- Permite que um usuário adicione um rótulo a uma mensagem
- Isso permite que um usuário reproduzir uma gravação de áudio, controlar a velocidade/volume ou baixar uma chamada.
Observação: se você tiver a análise de sentimento habilitada em seus dados de chat/Chamadas, as diferenças ao anotar são as mesmas que anotar com sentimento para outros canais de comunicação (ou seja, atribuir um sentimento cada vez que você atribui um rótulo, usar nomes de rótulos neutros etc. ). Consulte aqui para mais detalhes sobre como anotar com a análise de sentimento.
O treinamento de dados de chat/Chamadas é muito semelhante ao treinamento de outros tipos de mensagem, onde um usuário passaria pelas fases Descobrir, Explorar, Refinar para treinar ainda mais seu modelo.
As principais distinções são:
- Layout da thread — com dados do chat/Chamadas, as mensagens entre todas as partes em uma determinada conversa são compiladas automaticamente em uma única visualização da thread, mas os rótulos ainda são atribuídos a mensagens individuais (ou seja, mudanças na conversa).
- Mensagens não informativas — uma mensagem em um chat/Chamada pode ser marcada como 'não informativa' se não adicionar contexto ou valor à conversa fornecida. Ao marcar uma mensagem como não informativa, você está ensinando ao modelo que nenhum dos rótulos é aplicável e, portanto, o modelo aprenderá que não se deve esperar que mensagens semelhantes tenham previsões de rótulo.
Observação: ao aplicar rótulos a uma mensagem ('mensagem A'), o modelo marcará automaticamente a mensagem anterior Mensagem B como não informativa se nenhum rótulo for aplicado a ela. Portanto, é importante ler a mensagem anterior e aplicar rótulos a ela, se relevante. Essa funcionalidade ajuda a criar os dados de treinamento necessários para 'Não informativo', sem muita anotação adicional.
- Cobertura – Ao avaliar a cobertura para dados de chat/Chamadas, além de avaliar a proporção de mensagens cobertas por previsões de rótulos informativos (ou seja, significativas), ele também incorpora a proporção de mensagens que se espera que sejam não informativas. Para obter mais informações sobre como a cobertura é determinada, selecione aqui.
Cartão de fator de validação para cobertura de um conjunto de dados de chat ou chamadas
