抽出器の構成ウィザードは、ドキュメントからのデータ抽出に使用する抽出器を選択してカスタマイズできるツールです。抽出器アクティビティのコンテナーであるデータ抽出スコープ アクティビティからアクセスします。ウィザードを使用すると、タクソノミーで定義されているフィールドを各抽出器でサポートされているフィールドにマッピングし、各抽出器の最小信頼レベルとフレームワーク エイリアスを設定できます。ウィザードは抽出器の構成に必須であり、これにより、各ドキュメント タイプとフィールドに抽出器が正しく適用されるようになります1。
参照: データ抽出スコープの抽出ウィザードの構成

ラベル分類法は、電子メール、チャット、通話などの通信データから取得する概念の階層構造です。各ラベルは、ビジネス目的に役立ち、目標に沿った特定の概念を表します。ラベル分類法には複数の階層レベルを設定できます。各子ラベルは親ラベルのサブセットです。たとえば、親ラベルは「製品フィードバック」で、子ラベルは「製品機能リクエスト」または「製品バグレポート」です。ラベル分類法は、定義したラベルに従って通信データを自動的に分類できる機械学習モデルをトレーニングするために使用されます1。
ラベル分類を設計する際のベスト プラクティスの 1 つは、各ラベルが適用される個々の逐語録 (スレッドではない) のテキストから明確に識別できるようにすることです。逐語録とは、電子メール メッセージ、チャット メッセージ、通話記録セグメントなどの単一のコミュニケーション単位です。スレッドとは、電子メールの会話、チャット セッション、通話記録などの関連する逐語録のコレクションです。モデルをトレーニングする際は、スレッドではなく逐語録にラベルを適用するため、スレッドのコンテキストに依存せずに、逐語録テキストのみから各ラベルを認識できることが重要です。これにより、モデルは各ラベルのパターンと機能を学習し、新しいデータに一般化できるようになります。また、データにラベルを付ける際の一貫性と正確性を維持するのにも役立ちます2。
参考文献: 1: コミュニケーションマイニング - 分類法 2: コミュニケーションマイニング - ラベル階層とベストプラクティス

UiPath のドキュメントによると、RegEx 抽出機能は、正規表現を使用してドキュメントからデータを定義および取得するデータ抽出方法です1。RegEx 抽出機能は、ドキュメント理解サービスの使用の測定単位であるページ単位を一切消費しません2。
したがって、RegEx Extractor の抽出ページあたりのページ単位コストは 0 です。
参考文献:
1: 正規表現抽出 2: ドキュメント理解 - 計測と課金ロジック

OOB ラベル付けテンプレートは、エンティティ認識モデルのテキスト データにラベルを付けるために使用できる定義済みのテンプレートです。テンプレートにはいくつかのプリセット ラベルとテキスト コンポーネントが付属していますが、一般 UI または詳細エディターを使用して独自のラベルを追加することもできます。エンティティ ラベルを追加するときは、次の情報を入力する必要があります。
* 名前: 新しいラベルの名前。ラベルは、ラベル付けツールとエクスポートされたデータに表示されます。
* ラベルを付ける入力: ラベルを付けるテキスト コンポーネント。日付、送信元、送信先、CC、テキストなど、テンプレート内の既存のテキスト コンポーネントから選択することも、詳細エディターを使用して独自のテキスト コンポーネントを追加することもできます。テキスト コンポーネントによって、エンティティ ラベルでラベルを付けることのできるテキストの範囲が決まります。
* 属性名: テキストから抽出する属性の名前。これを使用して、顧客名、都市名、電話番号などの属性を作成できます。[+ 新規追加] をクリックすると、同じラベルに複数の属性を追加できます。
* ショートカット: ラベルに割り当てるホットキー。これを使用すると、キーボードを使用してテキストにラベルを付ける速度が速くなります。サポートされるのは 1 文字または 1 桁の数字のみです。
* 色: ラベルに割り当てる色。これを使用して、ラベルを他のラベルと視覚的に区別できます。
参考資料: AI センター - データ ラベルの管理、テキストのデータ ラベル付け - パブリック プレビュー