UiPath Communications Mining では、トレーニング プロセス中に検索機能に過度に依存すると、モデルの偏りが増加する可能性があります。これは、検索ベースのフィルタリングを使用して例を識別してラベル付けすると、データの完全な多様性が表現されない可能性があるためです。モデルは、偏ったデータのサブセットでトレーニングされる可能性があり、特定のパターンやキーワードが優先され、すべてのデータにわたって効果的に一般化することを学習するのではなく、特定の種類のデータに偏ることになります。
検索の使用を制限することで、トレーニング プロセスでより広範で代表的なデータ サンプルが考慮されるようになり、モデルにバイアスが導入されるリスクが軽減され、新しい未知の通信に対してモデルをより適切に一般化できるようになります。
詳細については、以下を参照してください。
* UiPath Communications Mining ドキュメント: モデルのトレーニングとバイアスの回避

UiPath AI Center での典型的な機械学習モデルの展開プロセスは、通常 10 ～ 15 分かかります1。このプロセスでは、モデルを UiPath のサービス フレームワークにラップし、テナントからのみアクセス可能な AI Fabric の Kubernetes クラスター上の名前空間内に展開します1。実際の時間は、モデルの複雑さやその他の要因によって異なる場合があることに注意してください。
AI センター - ML スキルの管理 (uipath.com)

プロセス設計フェーズで自動化の範囲を作成する場合、自動化プロジェクトを成功させるために、いくつかの重要な要素を考慮する必要があります。これには次のものが含まれます。
* ドキュメントの種類: 処理されるドキュメントの種類 (請求書、領収書など)。
* 分類法: 抽出されるデータの分類と構造化。
* テンプレート: ドキュメントの標準化された形式。抽出の精度を向上できます。
* 言語: ドキュメントが記述される言語が異なるため、多言語サポートの必要性が変わります。
* スキャン/デジタル ドキュメント: ドキュメントがスキャンされているか、デジタルで作成されたものかによって、OCR の精度が左右されます。
* 成功基準: 自動化の成功を定義する明確な指標 (精度や処理時間など)。
* 技術的基準: 使用されているインフラストラクチャ、統合、ツール (OCR エンジン、ML モデルなど) に関連する要件。
これらの要素は、ドキュメント処理タスクを効果的に自動化するための技術的要件と機能的要件を定義する上で重要であり、その範囲に必要な考慮事項がすべてカバーされていることを保証します。
詳細については、以下を参照してください。
* UiPath プロセス設計のベストプラクティス: プロセス設計の考慮事項
* UiPath ドキュメント理解フレームワーク: ドキュメント理解におけるスコープ定義