- 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
Esta seção explica como validar as previsões de campo em suas extrações.
As extrações podem ser dos seguintes tipos:
- Extrações geradas - O modelo prevê extrações com base na entrada que você forneceu, ou seja, os rótulos e anotações, quando você seleciona Prever extrações.
- Extrações criadas manualmente - Você pode criar campos de extração para um rótulo específico, se o modelo já não o tiver previsto.
Certifique-se de fornecer exemplos suficientes para que o modelo possa retornar estatísticas de validação. As estatísticas de validação ajudam a entender o desempenho de suas extrações. Além disso, permite que você ajuste suas extrações.
O ajuste fino permite que você use as anotações coletadas para melhorar o desempenho do modelo de extração. Também permite que você use o modelo pronto para uso e aprimore o desempenho para seus casos de uso.
- Você pode decidir quando interromper o treinamento de rótulos
- As extrações têm diferentes requisitos de desempenho, dependendo do caso de uso.
Revise os resultados da extração e, dependendo do caso, você pode escolher entre as seguintes ações:
- Aceite as extrações se estiverem todas corretas.
- Corrija as extrações se houver previsões incorretas.
- Marcar extrações como ausentes se elas não estiverem presentes na mensagem.
- Configure quaisquer campos adicionais, se houver algum ausente que seja necessário para habilitar a automação de ponta a ponta.
Visão geral
| # | Descrição |
| 1 | Se todas as previsões de campo estiverem corretas, selecione Confirmar tudo para validar em massa que as anotações estão corretas. |
| 2 | Para adicionar novos campos de extração, selecione o botão de mais, ao lado de Campos gerais ou ao lado de qualquer um dos campos de extração. Para editar quaisquer campos existentes, selecione as reticências verticais ao lado de Campos gerais ou ao lado de qualquer um dos campos de extração. |
| 3 | No painel lateral, ao marcar a caixa ao lado das extrações previstas, você confirma que uma anotação de campo está correta, em um nível de extração. |
| 4 | Sob cada campo, você pode encontrar o ponto de dados que foi previsto pelo modelo.
Se a previsão estiver incorreta, selecione o botão x para ajustar o campo com a previsão correta. |
| 5 | Os pontos de dados previstos são marcados na mensagem original.
|
| 6 | Para adicionar ou modificar quaisquer campos, passe o mouse ao lado do botão + , no respectivo campo geral ou seção do campo de extração. |
| 7 | Para expandir os campos exibidos para campos gerais ou campos de extração específicos, selecione o botão suspenso. |
Validando extrações
- Selecione Explorar ao lado de um conjunto de dados para acessar esse conjunto de dados específico.
- Na guia Explorar , selecione Anotar campos.
- No painel lateral, selecione o botão Prever extrações .
- No mesmo painel lateral, os indicadores correspondentes marcados por um círculo vermelho ou verde são exibidos ao lado das previsões do modelo.
Observação: os indicadores de correspondência mostram se as previsões do modelo correspondem às anotações que você fez para os campos de extração. Os indicadores são marcados na interface do usuário por um círculo vermelho ou verde no campo de extração e níveis de extração. Caso os valores não correspondam, eles são incompatíveis ou estão ausentes. Você pode executar novamente as previsões do modelo mais recentes para confirmar se elas correspondem às anotações fornecidas.Os estados que podem ser retornados pelos indicadores correspondentes são:
- Verde - as previsões correspondem às anotações. É visível no nível de extração apenas se todos os campos de extração tiverem indicadores verdes.
- Vermelho - ou as previsões não correspondem às anotações ou uma previsão está faltando uma anotação. É visível no nível de extração se qualquer um dos campos na extração tiver um indicador vermelho.
Extração de estado não confirmada
A imagem a seguir mostra como é uma extração em seu estado não confirmado . No painel direito, a extração é marcada como não confirmada, e o realce no próprio texto tem uma cor mais clara.
Extração de estado confirmada
A imagem a seguir mostra como são os campos em seu estado confirmado . No painel direito, a extração é marcada como Confirmada e o realce no próprio texto tem uma cor mais escura.
As extrações são validadas na experiência da guia Treinar de uma forma semelhante à guia Explorar .
Para validar suas extrações, aplique as seguintes etapas:
- Selecione Treinar ao lado de um conjunto de dados para acessar esse conjunto de dados específico.
- Na aba Treinar , selecione Extrações.
- Selecione a extração do rótulo que você deseja validar.
- Confirme se a mensagem exibida é um exemplo aplicável do rótulo.
- Depois de aplicar todos os rótulos aplicáveis, selecione Próximo: anotar campos.
- Na página a seguir, os indicadores correspondentes marcados por um círculo vermelho ou verde são exibidos ao lado das previsões do modelo.
Observação: os indicadores de correspondência mostram se as previsões do modelo correspondem às anotações que você fez para os campos de extração. Os indicadores são marcados na interface do usuário por um círculo vermelho ou verde no campo de extração e níveis de extração. Caso os valores não correspondam, você notará que os valores são diferentes ou estão ausentes. Você pode executar novamente as previsões do modelo mais recentes para confirmar se elas correspondem às anotações fornecidas.Os estados que podem ser retornados pelos indicadores correspondentes são:
- Verde - as previsões correspondem às anotações. É visível no nível de extração apenas se todos os campos de extração tiverem indicadores verdes.
- Vermelho - ou as previsões não correspondem às anotações ou uma previsão está faltando uma anotação. É visível no nível de extração se qualquer um dos campos na extração tiver um indicador vermelho.
- Selecione Confirmar tudo e ao lado para exibir a próxima mensagem a anotar automaticamente.