- 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
verbatim(s) foram alteradas para mensagens.
A message is what we call a single unit of free-form text communication, such as an email, a survey response, a note, a chat, or a phone call transcript. Messages are grouped together in sources.
The following image contains an example of how a message is presented in the Explore page of the user interface.
Cada mensagem tem metadados associados que consistem em pontos de dados estruturados que fornecem informações adicionais sobre a comunicação ou conversa e seus participantes.
Todas as mensagens precisam ter um carimbo de data/hora associado, que normalmente corresponde à hora em que a mensagem foi criada originalmente.
Além de carimbos de data/hora, a plataforma normalmente armazena metadados adicionais associados a cada mensagem. Exemplos típicos de campos de metadados são:
- Nome e detalhes de contato dos participantes da mensagem.
- Domínios remetente e destinatário para e-mails.
- Número de mensagens em uma conversa de chat ou número de emails em um thread.
- Dados demográficos, como gênero, idade, país e assim por diante.
- Uma medida quantitativa da satisfação do cliente com a interação, como Pontuação do Net Promoter (NPS), Pontuação de Satisfação do Cliente (CSAT) e assim por diante.
- Para chamadas telefônicas, o áudio bruto que a plataforma usou para transcrevê-lo.
- IDs de terceiros usados quando as mensagens são importadas de outro sistema, por exemplo, o ID de mensagem de email de um servidor Exchange.
Some datasets may contain messages with PII (personally identifiable information) in their metadata, such as userId. Therefore, you can mark these fields as sensitive. By marking these fields as sensitive, viewing this metadata requires enhanced user permissions.
Having rich message metadata allows users greater ability to train and analyze their data within the platform, as users can filter by metadata fields within both the Explore and Reports pages.
