- 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 página Validação mostra aos usuários informações detalhadas sobre o desempenho de seu modelo, tanto para rótulos quanto para campos gerais.
Na guia Rótulos , os usuários podem visualizar sua Classificação geral do modelo de rótulo, incluindo um detalhamento dos fatores que compõem sua classificação e outras métricas em seu conjunto de dados e o desempenho de rótulos individuais.
Na guia Campos gerais , os usuários podem visualizar estatísticas sobre o desempenho de previsões de campos gerais para todos os campos gerais habilitados no conjunto de dados.
O menu suspenso Versão do modelo permite visualizar todas as pontuações de validação em versões anteriores do modelo em um determinado conjunto de dados. Você também pode priorizar ou marcar itens individuais, para que apareçam no topo da lista no futuro. Essa ferramenta pode ser útil para rastrear e comparar o progresso à medida que você cria seu modelo.
A aba Fatores mostra:
- os quatro fatores-chave que contribuem para a classificação do modelo: equilíbrio, cobertura, desempenho médio do rótulo e o desempenho dos rótulos com pior desempenho.
- para cada fator, fornece uma pontuação e um detalhamento dos colaboradores da pontuação do fator.
- podem ser selecionadas as próximas melhores ações recomendadas para melhorar a pontuação de cada fator.
A guia Métricas mostra:
- o tamanho do conjunto de treinamento - o número de mensagens nas quais o modelo foi treinado.
- o tamanho do conjunto de testes - o número de mensagens nas quais o modelo foi avaliado.
- número de rótulos - o número total de rótulos em sua taxonomia.
- Precisão média no recall – um gráfico que mostra a precisão média em um determinado valor de recall em todos os rótulos.
- Precisão média média – uma estatística que mostra a precisão média em todos os rótulos.
- um gráfico mostrando, em todos os rótulos, a precisão média por rótulo versus o tamanho do conjunto de treinamento.
A página Validação também permite que os usuários selecionem rótulos individuais de sua taxonomia para detalhar seu desempenho.
Depois de selecionar um rótulo, os usuários podem visualizar a precisão média para esse rótulo, bem como a precisão versus recall para esse rótulo com base em um determinado limite de confiança, que os usuários podem ajustar por conta própria.
Para obter mais detalhes sobre como a validação para rótulos realmente funciona e como usá-la, consulte Como a validação funciona.
A guia Campos gerais mostra:
- O número de campos gerais no conjunto de treinamento - o número de campos gerais anotados nos quais o modelo de validação foi treinado.
- O número de campos gerais no conjunto de testes – o número de campos gerais anotados nos quais o modelo de validação foi avaliado.
- O número de mensagens no conjunto de treinamento – o número de mensagens que têm campos gerais anotados no conjunto de treinamento.
- O número de mensagens no conjunto de testes - o número de mensagens que têm campos gerais anotados no conjunto de testes
- Precisão média - a pontuação de precisão média em todos os campos gerais.
- Recall médio - a pontuação de recall média em todos os campos gerais.
- Pontuação F1 média – A pontuação F1 média em todos os campos gerais, onde a pontuação F1 é a média hermônica de precisão e recall, e os pondera igualmente.
- As mesmas estatísticas, mas para cada campo geral individual.
Para obter mais detalhes sobre como a validação para campos gerais funciona e como usá-la, consulte Como usar campos gerais.