定义和设置实体

定义关键数据点（即 实体）。 这些通常用于促进下游自动化，但也可用于分析，尤其是在评估自动化机会的潜在成功率和收益时。

最终，实体预测与标签相结合，可以通过提供完成特定任务或流程所需的结构化数据点来促进自动化。 将数据集中的实体与标签结合训练，比先训练一个实体再训练另一个（即 在训练标签的完整分类后训练实体）。

例如：

如果我们希望自动化“地址更改”请求，则可以使用标签来捕获请求类型，而实体将捕获地址的各个组成部分（即 地址行、城市、邮政编码等）。 每个预测都可通过 API 提供，从而使系统能够对每条消息采取行动。

使用实体评估自动化机会

一旦设置并训练到合适的性能水平，它们就可以帮助生成有关可能属于自动化范围的请求类型的重要见解。

要了解操作方法，我们继续使用同一示例：“地址更改”

我们发现“地址更改”请求是一项大容量、事务性和高度手动的任务，并且希望了解我们可以自动化的比例。

为此，我们需要知道用于识别请求的标签是否能够正常工作。 我们还需要了解已收到的地址更改请求中包含处理更改所需的必要数据点（即实体）的比例。

在此示例中，这可能是“地址行 1”、“镇/城市”、“邮政编码”和“州”。 在该平台中，我们可以使用组合筛选器轻松评估包含全部或部分必需实体的“地址更改”请求所占比例。 这有助于我们了解可以成功实现端到端自动化的比例，以及需要更多信息或人工参与的比例。

如果 80％ 的地址更改请求都包含所需的实体，则非常适合实施自动化。 如果只有 20％ 包含我们需要的实体，则这可能是一个不太重要的机会（取决于总量）。

请注意: 在评估这些功能之前，实体必须表现良好，否则平台可能会仅仅因为缺乏训练而错过大量可以自动化 E2E 的请求。

上面的示例说明了如何使用该平台更好地了解通信渠道中的任何自动化机会。 通过从平台提取这些数据，并将其输入到自动化机会管道中，您可以有效地识别具有最大潜在成功率和最终 ROI 的机会，并对其进行优先级排序。