- 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
A análise de sentimento do rótulo é uma funcionalidade que permite que rótulos sejam atribuídos com um sentimento positivo ou negativo, dependendo de como esse conceito de rótulo é expresso dentro da mensagem.
Cada rótulo atribuído precisa receber um sentimento positivo ou negativo, pois não há um sentimento neutro, enquanto vários rótulos atribuídos na mesma mensagem podem ter opiniões diferentes, dependendo de como são expressos.
Os benefícios dessa funcionalidade são a possibilidade de relatar o sentimento dentro de um conjunto de dados para tópicos específicos, e vários gráficos estão disponíveis na guia Relatórios relacionados ao sentimento.
A análise de sentimento do rótulo é apropriada apenas para conjuntos de dados relacionados ao feedback dos clientes. Isso ocorre porque eles contêm muito mais expressões de sentimento identificáveis do que outros conjuntos de dados, que tendem a ser muito mais neutros por natureza.
Certifique-se de que a análise de sentimento do rótulo seja apropriada para seu caso de uso, pois, uma vez habilitada durante a criação do conjunto de dados, ela não pode ser desabilitada nesse conjunto de dados.
A plataforma tem um modelo de análise de tom pré-treinado disponível, que prevê o tom geral, ou seja, o sentimento de uma mensagem. Isso normalmente é apropriado e suficiente para todos os outros casos de uso, por exemplo, análise e automação de caixa de entrada de e-mail.
A análise de sentimento do rótulo é habilitada na criação do conjunto de dados e não pode ser alterada posteriormente. Ao passar pelo fluxo de configuração do conjunto de dados , você tem a opção de habilitar a análise de sentimento do rótulo.
A análise de tom, que fornece uma pontuação geral de sentimento de -10 a 10 para uma mensagem, pode ser habilitada na criação do conjunto de dados ou, posteriormente, por meio das configurações do conjunto de dados.
Atribuir rótulos com sentimento é muito semelhante à atribuição de rótulos sem sentimento. Confira as etapas 1, 2 e 3 na imagem a seguir, que demonstra como anotar uma mensagem a partir de um conjunto de dados de avaliações de clientes de clientes.
A principal diferença está na etapa 2, onde após digitar o nome do rótulo, você deve sempre selecionar uma opinião positiva ou negativa, denotada pelos ícones de rostos verde ou vermelho. Essa etapa foi repetida para os rótulos Preço e Sala > Tamanho.
Ao aplicar rótulos com sentimento, certifique-se de criar uma taxonomia com nomes de rótulos neutros, quando possível. Por exemplo, Preço foi usado no exemplo anterior, em vez de Caro. Isso ocorre porque o Preço é neutro, enquanto o Caro é inerentemente negativo.
A seleção de um sentimento negativo para um rótulo com um nome neutro captura as instâncias em que a mensagem expressa uma imagem negativa do rótulo.
Na maioria das vezes, será óbvio qual sentimento você deve escolher ao aplicar um rótulo, com base na positividade ou negatividade inerente do idioma, como por exemplo, o Preço e Sala > Tamanho dos exemplos anteriores.
Para certos rótulos, o conceito pode não se prestar a um nome neutro e será inerentemente negativo ou positivo, e assim, sempre será aplicado com apenas um sentimento. Por exemplo, todos os rótulos relacionados a erros normalmente serão aplicados com sentimento negativo. Isso é bom, mas deve ser aplicado de forma consistente.
No entanto, às vezes isso pode não ser claro. Se o idioma em uma mensagem for de tom muito neutro, você deve pensar com mais cuidado sobre qual sentimento aplicar.
Você deve considerar os metadados da mensagem e a consistência do aplicativo:
Metadados da mensagem
A primeira é olhar os metadados da mensagem. Para mensagens relacionadas ao feedback do cliente, que é o tipo de dados mais comum em um conjunto de dados habilitado por sentimento, muitas vezes haverá um certo tipo de pontuação ou classificação associada a uma mensagem, por exemplo, pontuação NPS. Frequentemente, é possível usar essas pontuações para estimar se uma mensagem que aparece em um tom neutro, tem um sentimento mais positivo ou negativo, por exemplo, um cliente raramente deixa uma pontuação NPS de 10 se estiver insatisfeito.
Se você aplicar consistentemente o sentimento do rótulo para mensagens que são neutras em tom, com base em um campo de metadados de pontuação, o modelo pode aprender a detectar isso e prever o sentimento de acordo.
Consistência do aplicativo
A segunda é ser consistente na forma como você aplica o sentimento para um rótulo quando ele é bastante neutro em tom e não há outro diferenciador, por exemplo, um campo de metadados relacionado à pontuação.
Se for mais comum que o feedback seja positivo para um determinado rótulo, assuma que é positivo, a menos que a mensagem seja explicitamente negativa e vice-versa. Se você não for consistente, no entanto, o modelo terá dificuldade para prever o sentimento.
Outra coisa importante a considerar ao usar a análise de sentimento é que o modelo aplica cada rótulo, ou seja, raiz e folha, de forma independente, para que você possa ter dois rótulos de folha do mesmo rótulo pai que tenham opiniões diferentes.
Nesses casos, você deve avaliar qual é o sentimento geral em relação ao rótulo pai. Neste exemplo abaixo, o rótulo pai Sala é positivo em geral.
Se ambos os rótulos de folha tiverem o mesmo sentimento, o modelo inferirá que o rótulo pai também tem um sentimento negativo e apenas os rótulos de folha serão mostrados como rótulos fixados, embora isso implica que o rótulo pai também é aplicado.
