- 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
Antes de projetar sua taxonomia, você precisa entender quais rótulos, campos gerais e metadados devem capturar para atender aos seus objetivos. Deve haver sobreposições mínimas, pois todos se complementam.
Os rótulos capturam conceitos, temas e intenções. Por exemplo, solicitação de alteração de endereço, urgente, solicitação de atualização de status e assim por diante. Você não deve usar rótulos para capturar informações que estão presentes nos metadados.
Os campos gerais capturam pontos de dados estruturados extraídos do texto. Por exemplo, números de apólices, IDs comerciais, URLs, datas, quantidades monetários e assim por diante.
- Propriedades do usuário — definidas e adicionadas antes do upload, como a pontuação NPS.
- Propriedades de e-mail - Capturadas de e-mails, como remetente, destinatários, domínios e assim por diante.
- Propriedades da thread – A plataforma as deriva automaticamente para dados de thread, como emails e chats. Por exemplo, o número de mensagens em um thread, duração do thread e assim por diante.
Esta seção lista as principais distinções e semelhanças entre rótulos e campos gerais. Os dois são normalmente usados em combinação para automação, mas individualmente servem a fins diferentes:
Rótulos
- Captura intenções, temas e conceitos.
- Normaliza expressões variadas em um ponto de dados estruturados, por exemplo, determinando se um conceito se aplica ou não.
- Atribuído no nível de mensagem.
- Aprenda com todo o texto de comunicação, nomes de rótulos, descrições, bem como certas propriedades de metadados.
- Estruturado em hierarquias para adicionar níveis de especificidade.
Campos gerais
- Captura valores específicos de um determinado tipo, como a data, extraído do texto.
- Pode ser totalmente baseado em regras e seguir um formato muito específico.
- Alguns tipos podem ser normalizados em um formato estruturado a partir de expressões variadas.
- O Communications Mining™ aprende com o valor dos campos gerais e o contexto do parágrafo em que ele está, bem como o texto em torno.
- Atribuído ao nível do parágrafo.
Comum a rótulos e campos gerais
- Você pode pré-treiná-los ou treiná-los do zero.
- Rótulos e campos gerais pré-treinados são previstos assim que você os habilita, e a plataforma faz um retreinamento automaticamente.
- Você pode aceitar e rejeitar previsões de rótulos e campos gerais e atribuí-las quando não forem previstas.
- Você pode usar ambos para casos de uso de análise e automação.
A plataforma faz previsões de rótulos com base no texto da mensagem, nomes e descrições de rótulos, bem como algumas propriedades de metadados. Com a introdução da Anotação generativa, a plataforma usa nomes e descrições de rótulos como entradas de treinamento, permitindo que o modelo entenda melhor o significado de cada rótulo.
Por exemplo, para e-mails, isso significa o assunto e o corpo do e-mail. Para campos gerais, ele aprende com o período de texto atribuído e o contexto do texto em torno desse período.
- Assunto
- Corpo do texto — para dados encadeados, o Communications Mining™ faz previsões com base apenas no email mais recente, não no thread completo, ao qual um ID de thread os vincula.
- Alguns metadados - O Communications Mining aprende a partir de algumas propriedades onde os temas podem ser identificados, como os domínios do remetente ou destinatário, pontuações NPS e assim por diante. Ele não aprende com os remetentes e destinatários específicos de emails, ou seja, os endereços de email completos e propriedades exclusivas, como IDs.
A imagem a seguir contém um exemplo de uma mensagem que mostra como rótulos, campos gerais e metadados são distintos, mas complementares entre si. Para automatizar essa solicitação de entrada, você pode exigir que cada uma delas para uma finalidade específica:
- Rótulos — o rótulo de alteração do endereço é necessário para identificar a natureza da solicitação, ou seja, a intenção.
- Campos gerais - A linha de endereço, município ou cidade e o código postal são usados para capturar os novos valores para os quais o endereço seria atualizado. Os rótulos não capturavam os valores específicos.
- Metadados - Este processo só pode ser implementado para determinados clientes, identificáveis por meio do domínio do remetente. Não há necessidade de criar rótulos para clientes específicos, pois isso é capturado nos metadados.
