- 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
- Carregamento de um arquivo PST
- 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
- Tags de transformação de email
- 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
Ensine o modo Rótulo na fase Refinar, focado em anotar mensagens não revisadas para expandir a cobertura de treinamento para rótulos existentes.
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.
Por que o Teach para mensagens não revisadas melhora as previsões
Como esse modo mostra previsões para um rótulo com pontuações de confiança que variam 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 potentes ao modelo do que se você tivesse 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 que 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).