- 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
- Visão geral
- Treinamento usando clusters
- Treinamento usando a Pesquisa
- 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
- Permissões necessárias para usuários do Automation Cloud:
- Origem — leia para exibir as mensagens.
- Conjunto de dados - Leia para visualizar rótulos.
- Conjunto de dados - Revise para aplicar rótulos.
- Permissões necessárias para usuários legados:
- Exiba origens para exibir as mensagens.
- Exibir rótulos para exibir rótulos.
- Revise e anote para aplicar rótulos.
A funcionalidade Pesquisar na página Descobrir é usada para pesquisar termos e frases-chave. Você pode pesquisar termos de pesquisa exatos e, se existirem, serão mostrados para você seguidos por correspondências parciais. Essa função pode ser usada para pesquisar termos alternativos e maneiras de expressar a mesma intenção ou conceito para cada rótulo. Isso pode ser útil se você souber um termo ou expressão comum relevante que não apareceu em nenhum dos clusters até o momento e quiser fixar alguns exemplos.
A pesquisa não deve ser usada para aplicar um grande número de exemplos por termo de pesquisa e por rótulo - apenas alguns de cada.
Por exemplo, o cluster na imagem a seguir é claramente sobre a localização do host, onde um rótulo de Localização foi previsto. Se usarmos apenas esse termo, ele pode influenciar o modelo para as frases em torno da palavra Local ou semelhante, e deveremos usar a funcionalidade Pesquisar para encontrar maneiras alternativas de expressar isso:
Possíveis termos de pesquisa alternativos para o Local:
- Localizado
- Prática
- Posição
- Proximidade
- Próximo
- Posição do hote
- Local para transporte
- Links de transporte
- Atrações informativas
- Perto do transporte
- Centro
- Perto do Aeroporto
- Perto do Aeroporto
Como pesquisar termos diferentes
A imagem a seguir contém um exemplo de como a pesquisa de termos alternativos para Localização destaca mensagens que estão relacionadas à localização do host, mas expressas de forma diferente. Ao fazer isso, o modelo receberá diferentes exemplos de Local.
Aplicando rótulos a resultados de pesquisa
- Selecione Pesquisar no menu suspenso Cluster na guia Descobrir .
- Insira seu termo de pesquisa e pressione Enter ou selecione o ícone de pesquisa.
- Os termos de pesquisa correspondentes aparecerão destacados em laranja. A plataforma mostrará correspondências completas seguidas de correspondências parciais.
- Adicione todos os rótulos que devem ser aplicados, não apenas os resultados da pesquisa. Por exemplo, o rótulo Propriedade > Equipe no cluster anterior.
Você pode usar esse processo com moderação para cada rótulo que tenha maneiras variáveis de expressar o mesmo tópico. No entanto, existem outros métodos cobertos na fase Explorar que também ajudam a fornecer diferentes exemplos de treinamento, mas não têm o potencial de influenciar seu modelo.
