- 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
- Preparando dados para carregamento de .CSV
- Carregar um arquivo CSV para uma origem
- 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
- Guia de migração: Exchange Web Services (EWS) para a API do Microsoft Graph
- 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
Você deve ter atribuído as permissões Origem - Ler e Conjunto de dados - Revisão como um usuário do Automation Cloud, ou as permissões Exibir origens e Revisão e anotação como um usuário legado.
Cada rótulo agora é um modo de treinamento exclusivamente para anotar mensagens não revisadas e, como tal, o filtro revisado está desabilitado nesse modo. Cada rótulo para as mensagens revisadas foi dividido nos modos Verificar rótulo e Modo de treinamento de rótulo ausente . Para obter mais detalhes, acesse Verificar rótulo e Rótulo ausente.
Se você tiver um rótulo que esteja tendo dificuldades para prever com precisão e você estiver satisfeito com a consistência dos exemplos já fixados, é provável que você precise fornecer ao modelo exemplos de treinamento mais variados e consistentes.
A plataforma sugerirá esse modo como uma ação recomendada para rótulos que mais se beneficiariam dele sob os fatores Classificação do modelo , bem como nas ações recomendadas para rótulos específicos que você pode selecionar em Validação.
O melhor método para treinar a plataforma nas instâncias em que ela tem dificuldade para prever se um rótulo se aplica ou não é usar o Teach para mensagens não revisadas.
Como esse modo mostra previsões para um rótulo com pontuações de confiança que variam para fora de 50% ou 66% no caso de um conjunto de dados habilitado por sentimento, aceitar ou corrigir essas previsões envia sinais de treinamento muito mais poderosos para o modelo do que se você fosse aceitar previsões com pontuações de confiança de 90% ou mais. Dessa forma, você pode melhorar rapidamente o desempenho de um rótulo fornecendo exemplos de treinamento variados sobre os quais a plataforma não tinha certeza anteriormente.
O processo real de anotação nesse modo é abordado na fase Explorar. Para obter mais detalhes, consulte Treinamento usando Teach Label (Explore).