- 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
Aleatório é a primeira etapa na fase Explorar , e seu propósito é fornecer aos usuários uma seleção aleatória de mensagens para eles revisarem. No modo aleatório, a plataforma mostrará mensagens que possuem previsões abrangendo todos os rótulos e onde não há nenhuma. Portanto, a etapa Aleatório difere das outras em Explorar porque não se concentra em um rótulo específico para treinar, mas abrange todos eles.
É muito importante usar o modo Aleatório para garantir que você forneça ao seu modelo exemplos de treinamento suficientes que sejam representativos do conjunto de dados como um todo e não sejam tendentes a concentrar-se apenas em áreas muito específicas dos dados.
No geral, pelo menos 10% do treinamento que você conclui no seu conjunto de dados deve estar no modo Aleatório .
Anotar no modo Aleatório ajuda essencialmente a garantir que sua taxonomia cubra bem os dados dentro do seu conjunto de dados e impede que você crie um modelo que possa fazer previsões com muita precisão em apenas uma pequena fração dos dados dentro do conjunto de dados.
Visualizar as mensagens no modo Aleatório é, portanto, uma maneira fácil de entender como o modelo geral está se saindo, e pode ser consultado em todo o processo de treinamento. Em uma taxonomia bem treinada, você deve ser capaz de passar por quaisquer mensagens não revisadas no Aleatório e apenas aceitar previsões para treinar ainda mais o modelo. Se você achar que muitas previsões estão incorretas, você pode ver quais rótulos exigem mais treinamento.
Passar várias páginas sobre Aleatório posteriormente no processo de treinamento também é uma boa maneira de verificar se há intenções ou conceitos que não foram capturados por sua taxonomia e deveriam ter sido. Você pode então adicionar rótulos existentes quando necessário ou criar novos se necessário.
- Selecione Aleatório no menu suspenso para receber 20 mensagens aleatórias.
- Filtrar para mensagens não revisadas.
- Revise cada mensagem e quaisquer previsões associadas:
- Se houver previsões, você deve confirmá-las ou rejeitá-las. Confirme selecionando as que se aplicam.
- Você também deve adicionar todos os outros rótulos adicionais aplicáveis.
- Se você rejeitar as previsões, deverá aplicar todos os rótulos corretos. Certifique-se de não sair da mensagem sem rótulos aplicados.
- Você também pode clicar no botão Atualizar para obter um novo conjunto de mensagens ou continuar na próxima página selecionando os números das páginas ou as setas.
É recomendável anotar pelo menos 10 páginas de mensagens no modo aleatório. Em conjuntos de dados grandes que contêm muitos exemplos de treinamento, isso pode ser muito mais.
