- 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
Ensinar é a segunda etapa na fase Explorar e seu propósito é mostrar previsões para um rótulo no qual o modelo fica mais confuso se se aplica ou não. Como nas etapas anteriores, precisamos confirmar se a previsão está correta ou incorreta e, ao fazê-lo, fornecer ao modelo sinais de treinamento fortes. É o modo de treinamento específico do rótulo mais importante.
Teach Label é um modo de treinamento projetado exclusivamente para anotar mensagens não revisadas. Como tal, o filtro revisado é desabilitado nesse modo.
- Selecione Ensinar Rótulo no menu suspenso conforme mostrado na imagem a seguir.
- Selecione o rótulo que você deseja treinar, onde a seleção padrão no modo Teach é para mostrar mensagens não revisadas.
- Você receberá uma seleção de mensagens em que o modelo fica mais confuso sobre se o rótulo selecionado foi aplicado ou não. Isso significa que você deve revisar as previsões e aplicar o rótulo, se estiverem corretas, ou aplicar outros rótulos, se estiverem incorretas.
Observação:
- As previsões variarão de ~50% para dados sem sentimento a 66% para dados com sentimento habilitado.
- Certifique-se de aplicar todos os outros rótulos que se aplicam, bem como o rótulo específico no qual você está se concentrando.
Você deve usar esse modo de treinamento conforme necessário para aumentar o número de exemplos de treinamento para cada rótulo para mais de 25, para que a plataforma possa estimar com precisão o desempenho do rótulo.
O número de exemplos necessários para cada rótulo ter um bom desempenho dependerá de vários fatores. Na fase Refinar , abordamos como entender e melhorar o desempenho de cada rótulo.
A plataforma recomenda regularmente o uso de Teach Label como um meio de melhorar o desempenho de rótulos específicos, fornecendo exemplos de treinamento mais variados que ela pode usar para identificar outras instâncias em seu conjunto de dados nas quais o rótulo deve ser aplicado.
Você pode descobrir após Discover e Aleatório que alguns rótulos ainda têm muito poucos exemplos e que o modo Teach Label não exibe exemplos de treinamento úteis. Nesse caso, é recomendável usar os seguintes modos de treinamento para fornecer à plataforma mais exemplos para aprender:
A pesquisa por termos ou frases no Explorar funciona da mesma forma que a pesquisa no Discover. Uma das duas principais diferenças é que, no Explorar, você deve revisar e anotar os resultados da pesquisa individualmente, em vez de em massa. Você pode pesquisar no Explore simplesmente digitando seu termo de pesquisa na caixa de pesquisa na parte superior esquerda da página.
No entanto, muita Pesquisa pode influenciar seu modelo, o que é algo que queremos evitar. Adicione não mais do que 10 exemplos por rótulo neste modo de treinamento para evitar anotar tendências. Certifique-se também de dar tempo à plataforma para treinar novamente antes de voltar para o modo Teach .
Para mais detalhes, consulte Treinamento usando a Pesquisa na aba Explorar.
Opção 2 - Rótulo
Embora o treinamento usando Label não seja uma das principais etapas descritas na fase Explore , ele ainda pode ser útil nesta fase de treinamento. No modo Rótulo , a plataforma mostra mensagens em que esse rótulo é previsto em ordem decrescente de confiança, ou seja, com as previsões mais confiáveis primeiro e as menos confiáveis na parte inferior.
No entanto, só é útil revisar as previsões que não sejam de alta confiança, acima de 90%. Isso ocorre porque quando o modelo está muito confiante, ou seja, acima de 90%, ao confirmar a previsão você não está dizendo ao modelo nenhuma informação nova, ele já está confiante de que o rótulo se aplica. Procure exemplos menos confiantes mais abaixo na página, se necessário. Embora, se as previsões tiverem alta confiança e estiverem erradas, certifique-se de aplicar os rótulos corretos, rejeitando as previsões incorretas.
- Se, para um rótulo, houver várias maneiras diferentes de dizer a mesma coisa, por exemplo, A, B ou C, certifique-se de fornecer exemplos de treinamento da plataforma para cada maneira de dizer isso. Se você der 30 exemplos de A, e apenas alguns de B e C, o modelo terá dificuldade para escolher exemplos futuros de B ou C para esse rótulo.
- Adicionar um novo rótulo a uma taxonomia madura pode significar que ela não foi aplicada a mensagens revisadas anteriormente. Isso requer, então, voltar e treinar o modelo em novos rótulos, usando a função Rótulo perdido .
