- 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 etapa principal final em Explorar é o treinamento usando o modo de Baixa confiança , que mostra mensagens que não são bem cobertas por previsões de rótulos informativos. Essas mensagens não terão previsões ou previsões de confiança muito baixa para rótulos que a plataforma entende como informativos.
Rótulos informativos são aqueles que a plataforma entende como úteis como rótulos independentes, examinando a frequência com que são atribuídos com outros rótulos.
Essa é uma etapa muito importante para melhorar a cobertura geral de seu modelo. Se você vir mensagens que devem ter rótulos existentes previstos para elas, isso é um sinal de que você precisa realizar mais treinamento para esses rótulos. Se você identificar mensagens relevantes para as quais nenhum rótulo atual é aplicável, pode ser necessário criar novos rótulos para capture-os.
Para acessar o modo de baixa confiança , use o menu suspenso na página Explorar , conforme mostrado na imagem a seguir:
The Low confidence mode will present you with 20 messages at a time, and you should complete a reasonable amount of training in this mode, going through multiple pages of messages and applying the correct labels, to help increase the coverage of the model. For a detailed explanation of coverage, check When to stop training your model.
A quantidade total de treinamento que você precisa concluir em Baixa confiança depende de alguns fatores diferentes:
- Quanto treinamento você concluiu em Aleatório e Ensinar. Quanto mais treinamento você faz em Aleatório e Teach, mais seu conjunto de treinamento deve ser uma amostra representativa do conjunto de dados como um todo, e menos mensagens relevantes devem haver em Baixa confiança.
- O objetivo do conjunto de dados. Se o conjunto de dados for destinado a ser usado para automação e requer uma cobertura muito alta, você deve concluir uma proporção maior de treinamento em Baixa confiança para identificar os vários casos de borda para cada rótulo.
No mínimo, você deve tentar anotar cinco páginas de mensagens nesse modo. Mais tarde, na fase de Refinar , quando você verificar sua cobertura, pode descobrir que precisa concluir mais treinamento em Baixa confiança para melhorar ainda mais sua cobertura.
