UiPath のドキュメント理解フレームワークでは、ドキュメントを処理するための最初の OCR エンジンとして UiPath Document OCR が推奨されています。この OCR オプションは、さまざまな種類のドキュメントからテキストを抽出するように最適化されており、構造化ドキュメント、半構造化ドキュメント、非構造化ドキュメントで優れた精度を実現します。
これは、UiPath ドキュメント理解プロセス内でシームレスに動作するように設計されており、他の UiPath アクティビティやモデルとの互換性が高いため、ほとんどのプロジェクトでドキュメント処理を開始するための好ましい選択肢となります。
詳細については、以下を参照してください。
* UiPath ドキュメント理解フレームワーク: UiPath OCR エンジン
* UiPath ドキュメント OCR: UiPath OCR ガイド

UiPath のドキュメントによると、UiPath Communications Mining は、自然言語処理 (NLP) と機械学習 (ML) の手法を使用して、顧客からのフィードバック、サポート チケット、チャットのトランスクリプトなどのテキストベースの通信データを分析できるツールです1。UiPath Communications Mining の機能の 1 つに比較ページがあり、日付範囲、ソース、メタデータ、ラベルなどのさまざまな基準に基づいて 2 つの逐語的コホートを比較できます2。比較ページには、コホートごとに次の情報が表示されます3。
* 総逐語的カウント: コホート内の逐語的カウント数。
* 各ラベルの割合: コホート内の逐語的表現のうち各ラベルに割り当てられているものの割合。ラベルとは、感情、意図、問題の種類など、分析に関連するカテゴリまたはトピックのことです。
ラベルは事前定義することも、ユーザーがカスタム定義することもできます。
* 統計的有意性: 2 つのコホート間の割合の差が統計的に有意であるかどうかを示す p 値。p 値が 0.05 未満の場合、その差は偶然によるものではない可能性が高いことを意味します。
比較ページでは、棒グラフを使用して各ラベルの割合を視覚的に表示し、ユーザーは棒グラフをクリックして各ラベルの逐語的コンテンツをドリルダウンできます3。したがって、正解は A です。
参考文献:
1: コミュニケーションマイニングについて 2: コミュニケーションマイニング - コホートの比較 3: コミュニケーションマイニング - 比較ページ

マイニングでは、機械学習モデルによる適切なトレーニングと正確な予測を確実に行うために、ラベルごとに少なくとも 25 個のピン留めされた例をユーザーが提供することが推奨されます。この数により、プラットフォームは実際のシナリオで各ラベルを一般化し、信頼性の高い予測を行うのに十分な種類の例を持つことができます。
ラベルごとのピン留めされた例の最小数は、精度と再現率の両方を向上させ、モデルがラベルを効果的に区別し、全体的なモデルのパフォーマンスを向上させるのに役立つため、非常に重要です。提供される例が少ないと、モデルは一般化に苦労し、類似または重複するカテゴリを区別する際にパフォーマンスが低下する可能性があります。
この 25 個の固定された例の標準は、UiPath ドキュメントのいくつかのセクションと、通信マイニングのモデルのトレーニングに関するベスト プラクティスで概説されています。UiPath ドキュメント、UiPath ドキュメント、UiPath コミュニティ フォーラム。詳細については、UiPath のドキュメント ポータルにある公式の通信マイニング ユーザー ガイドを参照してください。