UiPath Communications Miningの「ラベルサマリー」レポートタブでは、すべてのラベルの概要と統計情報を確認できます。このサマリーは、データセット全体におけるラベルのパフォーマンスと分布に関する洞察を提供し、モデルが様々な種類のコミュニケーションをどの程度正確に分類しているかを理解する上で役立ちます。
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: ラベル概要レポート

UiPath Document Understanding テンプレートの Config ファイルは、テンプレートの動作と機能を制御するさまざまなパラメーターと値を含む JSON ファイルです。Config ファイルの目的の一つは、Document Understanding API、Computer Vision API、Form Recognizer API、Text Analysis API などの外部サービスにアクセスするための API キーと認証情報を保存することです。これらのサービスは、テンプレートがドキュメント分類、データ抽出、データ検証タスクを実行するために使用されます。また、Config ファイルを使用することで、ユーザーはニーズに合わせてテンプレートをカスタマイズできます。例えば、ヒューマンインザループ検証の有効化/無効化、再試行メカニズムの設定、カスタム成功ロジックの定義、ドキュメントタイプの分類の指定などです。
参考資料: ドキュメント理解プロセス: Studio テンプレート、Automation Suite - ドキュメント理解構成ファイル

UiPathのドキュメントによると、「Teach」トレーニングモードは、特定のラベルの基準に一致するより多くのコミュニケーションにラベルを固定することで、モデルの予測精度を向上させるために使用されます。これにより、モデルはより多くの例から学習し、信頼性と精度を向上させることができます。また、「Teach」モードでは、ラベルと一致しないコミュニケーションからラベルの固定を解除できるため、モデルが誤検知を回避するのに役立ちます。他のトレーニングモードは、モデルのパフォーマンスの異なる側面に焦点を当てているか、モデルに十分なフィードバックを提供していないため、この目的にはそれほど効果的ではありません。
参考文献:
* モデルのトレーニングとラベル付けのベストプラクティス
* モデルトレーニングプロセスの概要
* モデルトレーニングに関するよくある質問

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世界のシナリオにおいて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。
ラベルごとにピン留めされた例の最小数は非常に重要です。これは、適合率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、全体的なモデルパフォーマンスを向上させるのに役立ちます。提供される例が少ないと、モデルの汎化が困難になり、類似または重複するカテゴリの区別がうまく機能しない可能性があります。
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。