{"id":16688,"date":"2025-05-20T12:22:00","date_gmt":"2025-05-20T10:22:00","guid":{"rendered":"https:\/\/office-samurai.com\/rysiu-gavyba-su-uipath-kad-kiekvienas-zodis-butu-svarbus\/"},"modified":"2026-01-07T15:08:37","modified_gmt":"2026-01-07T14:08:37","slug":"rysiu-gavyba-su-uipath-kad-kiekvienas-zodis-butu-svarbus","status":"publish","type":"post","link":"https:\/\/office-samurai.com\/lt\/rysiu-gavyba-su-uipath-kad-kiekvienas-zodis-butu-svarbus\/","title":{"rendered":"Ry\u0161i\u0173 gavyba su „UiPath” – kad kiekvienas \u017eodis b\u016bt\u0173 svarbus"},"content":{"rendered":"\n
„Dar viena \u017einut\u0117 ir pa\u0161to d\u0117\u017eut\u0117 sprogs”. Ar kada nors kilo pana\u0161i mintis? Atsid\u016br\u0117te tokioje situacijoje, kai perskaityti visus gaunamus el. lai\u0161kus \u017emogui fizi\u0161kai ne\u012fmanoma? Ar galime tiesiog suversti kalt\u0119 R\u0117jui Tomlinsonui u\u017e tai, kad jis 1971 m. i\u0161siunt\u0117 pirm\u0105j\u012f lai\u0161k\u0105 istorijoje? <\/p>\n\n
Asmeni\u0161kai tai galvos skausmas, o profesiniu po\u017ei\u016briu – realus poveikis verslui. Pagrindin\u0117 prie\u017eastis gl\u016bdi m\u016bs\u0173 prigimtyje – bendraujame sakytine arba ra\u0161ytine (taip pat ir gest\u0173) kalba, o apie \u017emones galima pasakyti viena – keistis sunku. <\/p>\n\nPasaulinis kasdienis el. pa\u0161to srautas pagal www.dragapp.com<\/figcaption><\/figure>\n\n
Ar yra kitas b\u016bdas? Skaitykite toliau. <\/p>\n\n
<\/span>Kod\u0117l tai yra verslo problema?<\/span><\/h2>\n\n
Niekas geriau ne\u012fsigyvena nei pavyzdys. Pasisveikinkite su D\u017eonu Smithu, savo i\u0161tikimiausiu elektroninio pa\u0161to bi\u010diuliu: <\/p>\n\nTipin\u0117 kliento u\u017eklausa, siun\u010diama el. pa\u0161tu<\/figcaption><\/figure>\n\n
Skamba kaip paprasta penki\u0173 minu\u010di\u0173 u\u017eduotis, be to, svarbu palaikyti gerus verslo santykius su D\u017eonu.<\/p>\n\n
Dabar padauginkite pon\u0105 Smith\u0105 i\u0161 visos savo klient\u0173 baz\u0117s ir vis\u0173 su klientais susijusi\u0173 proces\u0173 (\u012fskaitant vidinius, pvz., tarp\u012fmoninius sandorius). Staiga gr\u012f\u017etame prie ankstesnio punkto – sprogstan\u010dios gaunam\u0173j\u0173 lai\u0161k\u0173 d\u0117\u017eut\u0117s. Paskai\u010diuokime: ma\u017edaug 80 toki\u0173 „greit\u0173” 5 minu\u010di\u0173 trukm\u0117s \u012fprast\u0173 verslo u\u017eklaus\u0173 gali u\u017epildyti vis\u0105 darbo dien\u0105 (1 etatas, darant prielaid\u0105, kad dirbama 6,5 val. produktyviai). <\/p>\n\n
\n
Po daugyb\u0117s met\u0173 transakcinio bendravimo pasiek\u0117me ta\u0161k\u0105, kai \u012fprasta ir visuotinai priimtina kaip \u012fvesties duomenis gauti nestrukt\u016brizuot\u0105 informacij\u0105, o pasikliauti sistemomis, kurios reikalauja grie\u017etai strukt\u016brizuot\u0173 duomen\u0173.<\/p>\n<\/div><\/div>\n\n
Atsp\u0117kite, kas transformuoja \u0161iuos duomenis.<\/p>\n\n
Pirmiausia galite pabandyti tai i\u0161taisyti ir nuo\u0161ird\u017eiai raginu tai padaryti. Ta\u010diau da\u017eniausiai atsitrenksite \u012f sien\u0105 – organizacin\u0119 strukt\u016br\u0105, proced\u016bras, SLA arba klasikin\u012f „mes visada dar\u0117me taip”. <\/p>\n\n
Kartkart\u0117mis pasteb\u0117site gelb\u0117jimosi valt\u012f, kuri yra strukt\u016brizuot\u0173 \u012fvesties duomen\u0173, pavyzd\u017eiui, form\u0173 ar biliet\u0173 pardavimo sistem\u0173, pavidalu. Ta\u010diau i\u0161 m\u016bs\u0173 patirties \u017einome, kad tokios \u012fvestys pasitaiko retai, o jei ir pasitaiko, jos da\u017enai pralaimi kov\u0105 senam geram, patikimam el. pa\u0161tui arba pradeda j\u012f priminti, nes si\u016blo laisvo teksto laukus. <\/p>\n\n
<\/span>Kaip kovoti su nes\u0105\u017eininga kova<\/span><\/h2>\n\n
Prie\u0161 pasirinkdami ginkl\u0105, sukurkime m\u016b\u0161io lauk\u0105. Nersime \u012f nat\u016bralios kalbos apdorojim\u0105 (NLP) – dirbtinio intelekto (DI) srit\u012f ir did\u017eiul\u0119, \u012fdomi\u0105 tem\u0105, kuri\u0105 verta nagrin\u0117ti ne tik \u0161iame straipsnyje. \u0160iuo metu \u0161i sritis i\u0161gyvena renesans\u0105, kur\u012f lemia did\u017ei\u0173j\u0173 kalbos modeli\u0173 (pvz., „ChatGPT”) atsiradimas, ta\u010diau prireik\u0117 ilgo kelio, kad pasiektume tai, k\u0105 turime dabar. <\/p>\n\n
Gr\u012f\u017etant prie m\u016bs\u0173 pavyzd\u017eio, apibr\u0117\u017ekime savo tikslus. Paprastai tariant, norime: <\/p>\n\n
\n
I\u0161siai\u0161kinkite, ko Jonas nori, – supraskite jo \u017einut\u0117s tiksl\u0105<\/strong>.<\/li>\n\n\n\n
Kod\u0117l \u0161ie du? Nes b\u016btent taip veikia (verslo) procesai: imami \u012fvesties duomenys, jie apdorojami atliekant tam tikrus veiksmus ir gaunamas rezultatas. Ketinimo (prane\u0161imo etiket\u0117s) atpa\u017einimas padeda nukreipti j\u012f \u012f reikiam\u0105 proces\u0105 su apibr\u0117\u017etu rezultatu, o i\u0161gauti duomenys yra \u012fvesties duomenys. \u0160iuo atveju savo proces\u0105 gal\u0117tume apibr\u0117\u017eti kaip „U\u017esakymo u\u017eklaus\u0105”, kurioje PO numeris yra \u012fvesties elementas, o i\u0161vesties rezultatas – u\u017esakymo b\u016bsenos atnaujinimas. <\/p>\n\nVieno prane\u0161imo rodinys „UiPath Communications Mining<\/figcaption><\/figure>\n\n
Jei norite giliau pasinerti, \u0161ie du tikslai sutampa su gerai \u017einomomis NLP u\u017eduotimis: klasifikavimu (ketinim\u0173 nustatymas) ir \u012fvardyt\u0173 esybi\u0173 atpa\u017einimu (NER) (duomen\u0173 i\u0161skyrimas). Yra daugyb\u0117 b\u016bd\u0173, kaip juos spr\u0119sti, ir kiekvienas i\u0161 j\u0173 turi tuzin\u0105 skirting\u0173 bibliotek\u0173, \u012franki\u0173 ar (neseniai) LLM. Tradicinis po\u017ei\u016bris gali remtis taisyklingomis i\u0161rai\u0161komis (verta patikrinti!), kurios tinka paprastiems atvejams. Ta\u010diau mes susiduriame su \u012fvairiais prane\u0161imais ir \u012fmon\u0117s masto apimtimis – pagalvokite, 5-15 t\u016bkst. el. lai\u0161k\u0173 per m\u0117nes\u012f, tod\u0117l mums reikia ka\u017eko patikimesnio. <\/p>\n\n
Tikslas – tvarkyti tai masteliu, pakartojamu b\u016bdu, kad su klientais dirbantys darbuotojai gal\u0117t\u0173 u\u017esiimti svarbiais bendravimo aspektais, kai dirbtinis intelektas nepadeda ir vis dar reikia \u017emogi\u0161k\u0173j\u0173 \u017eini\u0173 arba kai tai yra svarbiausia: stiprinti santykius su klientais, laim\u0117ti nauj\u0173 klient\u0173 ir i\u0161laikyti tuos, kuriems gresia pasitraukimas (angl. churn). Kai kas sp\u0117ja, kad netolimoje ateityje bendravimas su \u017emogumi taps auk\u0161\u010diausios kokyb\u0117s paslauga. <\/p>\n\n
\u012e\u017eanga: „Communications Mining” – tai „UiPath” ekosistemai priklausanti debes\u0173 kompiuterijos ir ma\u0161ininio mokymosi (ML) paslauga, sukurta siekiant automati\u0161kai suprasti ir apdoroti nat\u016bralios kalbos duomenis. \u0160ioje platformoje galima daug k\u0105 i\u0161tirti. Ap\u017evelgsime pagrindinius dalykus, bet jei norite daugiau, rekomenduoju susipa\u017einti su oficialia dokumentacija ir „UiPath” akademijos kursais, kad gal\u0117tum\u0117te giliau pasinerti \u012f \u0161i\u0105 srit\u012f. <\/p>\n\n
Dauguma ML gyvavimo cikl\u0173 susideda i\u0161 keli\u0173 pagrindini\u0173 etap\u0173: planavimo, mokymo ir diegimo – b\u016btent taip mes ir nagrin\u0117sime \u0161i\u0105 tem\u0105.<\/p>\n\n
Planavimas<\/h3>\n\n
Bendravimas yra nei\u0161vengiamas bet kuriame versle – beveik kiekviename procese tam tikru etapu reikia kalb\u0117tis. Ta\u010diau u\u017euot visk\u0105 sprend\u0119 i\u0161 karto, prad\u0117kite nuo keli\u0173 pagrindini\u0173 klausim\u0173: <\/p>\n\n
\n
Kur komunikacija yra neatsiejama proceso dalis, pvz., naudojama kaip \u012fvestis ir (arba) i\u0161vestis visai darbo eigai arba tam tikrai veiklai?<\/li>\n\n\n\n
Kokie bendravimo kanalai naudojami organizacijoje: el. lai\u0161kai, pokalbiai, CRM, biliet\u0173 i\u0161davimo sistemos, bendradarbiavimo programos ir pan.? (duomen\u0173 \u0161altiniai) <\/li>\n\n\n\n
Kas tvarko didelius prane\u0161im\u0173 kiekius? Kurie skyriai ar komandos dalyvauja da\u017eniausiai? <\/li>\n\n\n\n
Ar \u0161iuose verslo prane\u0161imuose yra pasikartojan\u010di\u0173 modeli\u0173 ar strukt\u016brini\u0173 element\u0173?<\/li>\n<\/ul>\n\n
Ir svarbiausias, da\u017enai pamir\u0161tamas klausimas – kod\u0117l apskritai tai darote? Ar tikslas yra automatizavimas, analitika, ar abu? Kokie KPI apibr\u0117\u017eia s\u0117km\u0119? Vien pasakyti „tai veikia” dirbtiniu intelektu pagr\u012fstiems sprendimams nepakanka – apie tai v\u0117liau. <\/p>\n\n
Toliau sukasi aplink m\u016bs\u0173 pavyzd\u012f: u\u017esakym\u0173 apdorojimo komanda per m\u0117nes\u012f apdoroja 5000 el. lai\u0161k\u0173, kuri\u0173 dauguma pana\u0161\u016bs \u012f D\u017eono – nauji u\u017esakymai, pakeitimai, at\u0161aukimai ir u\u017eklausos. U\u017eduodami tinkamus klausimus ir analizuodami apimties procesus, gal\u0117sime apibr\u0117\u017eti savo modelio taksonomij\u0105<\/strong>. <\/p>\n\nTaksonomijos k\u016brimo s\u0105saja komunikacij\u0173 gavybos platformoje<\/figcaption><\/figure>\n\n
Taksonomija – tai hierarchin\u0117 ketinim\u0173 ir (arba) kategorij\u0173 (etike\u010di\u0173), kurias galima \u012fterpti, ir su jomis susijusi\u0173 duomen\u0173 ta\u0161k\u0173 strukt\u016bra. Kai kurie laukai yra tiesiogiai susij\u0119 su konkre\u010diomis etiket\u0117mis (i\u0161skyrimo laukai), o kiti gali b\u016bti pateikiami bet kuriame prane\u0161ime (bendrieji laukai). Gerai sukurta taksonomija tur\u0117t\u0173 tiksliai atspind\u0117ti realius bendravimo modelius, nes ji yra modelio mokymo ir taikymo pagrindas. <\/p>\n\n
Nors taksonomij\u0105 galima keisti, pakeitimai turi pasekmi\u0173 – gali pailg\u0117ti mokymo laikas, o kai kurie pakeitimai yra negr\u012f\u017etami.<\/p>\n\n
Mokymas<\/h3>\n\n
I\u0161 esm\u0117s bet koks ML mokymas yra susij\u0119s su pakankamu skai\u010diavimo pavyzd\u017ei\u0173 skai\u010diumi, i\u0161 kuri\u0173 jis gali „mokytis”. Po gaubtu dirbtinis intelektas naudoja matematinius ir statistinius metodus, kad aptikt\u0173 d\u0117sningumus ir ry\u0161ius duomenyse – taip jis gali prognozuoti naujus, dar nematytus atvejus. <\/p>\n\nRekomenduojamo prane\u0161im\u0173 kiekio ir trukm\u0117s pavyzdys<\/figcaption><\/figure>\n\n
Paprastai daugiau yra geriau.<\/strong> J\u016bs\u0173 mokymo rinkinys tur\u0117t\u0173 kuo tiksliau atspind\u0117ti realaus pasaulio duomenis – suma\u017einti atsitiktinum\u0105 ir padidinti patikimum\u0105. Nor\u0117dami atlikti komunikacij\u0173 gavybos koncepcijos bandym\u0105, tik\u0117kit\u0117s gauti bent 10 000 prane\u0161im\u0173; nor\u0117dami sukurti gamybin\u0119 konfig\u016bracij\u0105, siekite gauti daugiau nei 60 000 prane\u0161im\u0173. <\/li>\n\n\n\n
U\u017efiksuokite sezoni\u0161kum\u0105<\/strong>. \u012e duomen\u0173 rinkin\u012f \u012ftraukite tokius poky\u010dius kaip m\u0117nesio pikas, met\u0173 pabaigos sul\u0117t\u0117jimas ar kitos ciklin\u0117s tendencijos. <\/li>\n\n\n\n
Subalansuokite savo duomen\u0173 rinkin\u012f.<\/strong> Idealiu atveju kiekvienai kategorijai (etiketei) tur\u0117t\u0173 b\u016bti priskiriamas vienodas pavyzd\u017ei\u0173 skai\u010dius. Nors real\u016bs verslo duomenys retai atitinka \u0161\u012f ideal\u0105, pasistenkite, kad j\u0173 b\u016bt\u0173 kuo ma\u017eiau. <\/li>\n<\/ul>\n\n
Ma\u0161ininio mokymosi modeliui sukurti ir mokyti paprastai reikia programavimo \u012fg\u016bd\u017ei\u0173, o tai sudaro didel\u012f pradin\u012f barjer\u0105. Laimei, „Communications Mining” leid\u017eia atlikti vis\u0105 proces\u0105 nepara\u0161ius n\u0117 vienos kodo eilut\u0117s (tai neprivaloma). Ry\u0161i\u0173 duomenis galima \u012fkelti per CSV (kableliais atskirtos vert\u0117s) fail\u0105 arba i\u0161 anksto sukurt\u0105 integracij\u0105 su „Microsoft Exchange Server” arba „Salesforce”. <\/p>\n\nCSV failo \u012fk\u0117limo s\u0105sajos fragmentas<\/figcaption><\/figure>\n\n
Mokymas yra labai paprastas ir patogus, beveik kaip spalvinimo knygel\u0117. Vos keliais spustel\u0117jimais verslo naudotojas (paprastai dalykin\u0117s srities ekspertas) priskiria teisingas etiketes (vien\u0105 arba kelias) ir prane\u0161imo tekste pary\u0161kina atitinkamus duomen\u0173 ta\u0161kus (laukus). <\/p>\n\nVieno prane\u0161imo mokymo s\u0105saja<\/figcaption><\/figure>\n\n
\u0160tai ir viskas. Platforma automati\u0161kai aptinka poky\u010dius ir pradeda mokym\u0105. Skalaukite ir kartokite, kol pateiksite pakankamai pavyzd\u017ei\u0173. Kiek? Atsp\u0117jote teisingai – \u010dia taip pat n\u0117ra universalaus atsakymo, ta\u010diau „Communications Mining” si\u016blo vadovaujamo mokymo re\u017eim\u0105<\/strong>. Jis pateikia ai\u0161k\u0173, pamokant\u012f gr\u012f\u017etam\u0105j\u012f ry\u0161\u012f, kuris padeda nustatyti i\u0161matuojamus tikslus. Taisykl\u0117 – maksimaliai padidinti modelio na\u0161um\u0105, kartu suma\u017einant mokymui skiriam\u0105 laik\u0105 (darb\u0105, kur\u012f reikia \u012fd\u0117ti). <\/p>\n\nPagrindin\u0117s modelio metrikos<\/figcaption><\/figure>\n\n
Kaip min\u0117ta anks\u010diau, dirbtiniu intelektu paremto automatizavimo veiklos efektyvumo spektras yra \u012fvairus. Klasikinio automatizavimo atveju, pavyzd\u017eiui, robot\u0173 proces\u0173 automatizavimo (RPA) atveju, apibr\u0117\u017eiate grie\u017etus reikalavimus, o robotas eina i\u0161 anksto u\u017eprogramuotu keliu, tvarkydamas i\u0161imtis nusp\u0117jamu, taisykl\u0117mis pagr\u012fstu b\u016bdu. Ma\u0161ininio mokymosi scenarijuose turite susidurti su tam tikru neapibr\u0117\u017etumo lygiu ir j\u012f priimti. <\/p>\n\nSupaprastintas klasikini\u0173 ir dirbtinio intelekto valdom\u0173 automatizavimo tip\u0173 palyginimas<\/figcaption><\/figure>\n\n
Ma\u0161ininio mokymosi metrikos yra plati tema, kuri ne\u012feina \u012f \u0161io straipsnio apimt\u012f. Laimei, „Communications Mining” s\u0105sajoje pagrindin\u0117 informacija pateikiama intuityviai ir lengvai suprantamai, kartu u\u017etikrinant pakankam\u0105 valdymo lyg\u012f. Ta\u010diau mums reik\u0117s aptarti vien\u0105 esmin\u0119 s\u0105vok\u0105 – pasitik\u0117jim\u0105<\/strong> (vert\u0119), tod\u0117l pereisime prie kito skyriaus. <\/p>\n\nVieno modelio gr\u012f\u017etamojo ry\u0161io pavyzdys, naudotas kaip vykdytinas elementas<\/figcaption><\/figure>\n\n
\u012ediegimas<\/h3>\n\n
Sujunkime visk\u0105 kartu. M\u016bs\u0173 taikymo sritis ir tikslai dabar atsispindi taksonomijoje, tod\u0117l nusprend\u0117me, kad modelio mokymas baigtas – bent jau kol kas. Laikas dirbtiniam intelektui atlikti sunk\u0173 darb\u0105. <\/p>\n\n
Pirmin\u012f Jono el. lai\u0161k\u0105 nukreipiame \u012f „Communications Mining”, o mainais gauname to prane\u0161imo modelio prognoz\u0119:<\/p>\n\nVieno prane\u0161imo rodinys, kuriame rodomos modelio etike\u010di\u0173 ir lauk\u0173 prognoz\u0117s<\/figcaption><\/figure>\n\n
Platformoje yra du pagrindiniai automatizavimo komponentai, apie kuriuos kalb\u0117jome:<\/p>\n\n
\n
I\u0161vestin\u0117s etiket\u0117s (viena arba kelios), pagal kurias nustatoma, kuriuos procesus paleisti.<\/li>\n\n\n\n
I\u0161skirti laukai, kurie naudojami kaip tam procesui reikalingi strukt\u016brizuoti \u012fvesties duomenys<\/strong>.<\/li>\n<\/ul>\n\n
Atkreipkite d\u0117mes\u012f, kad kiekvienai prognozei priskiriama patikimumo vert\u0117 nuo 0 % iki 100 % (tai taip pat taikoma gavybos laukams, nors \u0161iame rodinyje ji nematoma). \u0160i reik\u0161m\u0117 rodo, kiek modelis, remdamasis mokymu, yra tikras, kad tam tikra etiket\u0117 tinka \u0161iam prane\u0161imui. Mes patys sprend\u017eiame, k\u0105 daryti su \u0161ia informacija. <\/strong>Geras pradinis ta\u0161kas – nustatyti ribin\u0119 vert\u0119 kaip i\u0161jungimo filtr\u0105. Prie\u0161 darydami tolesnes i\u0161vadas, panagrin\u0117kime kelet\u0105 hipotetini\u0173 scenarij\u0173: <\/p>\n\n
\n
Laimingas kelias: modelis prognozuoja „U\u017esakymo informacijos u\u017eklausa > Pristatymo b\u016bsena” su 74 % patikimumu, vir\u0161ydamas 70 % rib\u0105. PO numeris taip pat i\u0161skirtas su dideliu patikimumu. U\u017eklausa nukreipiama \u012f automatik\u0105, kuri pateikia u\u017eklaus\u0105 ERP sistemai ir gr\u0105\u017eina pristatymo b\u016bsen\u0105. D\u017eonas gauna automatizuot\u0105 el. lai\u0161k\u0105 su pra\u0161oma informacija. <\/li>\n\n\n\n
Ribinis atvejis: \u0161\u012f kart\u0105 74 % patikimumo nepakanka, nes m\u016bs\u0173 riba yra 80 %. Leid\u017eiame darbuotojui visi\u0161kai apdoroti atvej\u012f rankiniu b\u016bdu arba \u012fgyvendiname mechanizm\u0105 „\u017emogus cikle”, kuris prie\u0161 vykdydamas proces\u0105 papra\u0161o \u017emogaus patvirtinimo. <\/li>\n\n\n\n
Nepageidaujamas rezultatas: modelis neteisingai klasifikuoja<\/strong> u\u017eklaus\u0105 kaip „U\u017esakymo at\u0161aukimas”, o jo patikimumas vir\u0161ija rib\u0105. Kitas automatizavimo veiksmas panaikina u\u017esakym\u0105 ERP sistemoje ir prane\u0161a Jonui, kuris dabar yra sutrik\u0119s, kod\u0117l jo u\u017eklausa l\u0117m\u0117 u\u017esakymo at\u0161aukim\u0105. <\/li>\n<\/ul>\n\n
\u0160ie scenarijai yra supaprastinti (o tre\u010diasis – perd\u0117tas), ta\u010diau jie i\u0161ry\u0161kina \u012fvairiapus\u012f dirbtinio intelekto valdomos automatizacijos pob\u016bd\u012f. \u0160tai kod\u0117l prie\u0161 diegiant labai svarbu atid\u017eiai i\u0161analizuoti procesus ir laukiamus rezultatus. <\/p>\n\n
Didel\u0117s rizikos veiksmams, pvz., u\u017esakymo at\u0161aukimui, tur\u0117t\u0173 b\u016bti taikomos auk\u0161tesn\u0117s patikimumo ribos, papildomos taisykl\u0117mis pagr\u012fstos patikros arba net privalomas \u017emogaus patvirtinimas. \u0160is hibridinis metodas gali b\u016bti ne toks greitas kaip visi\u0161kai autonomin\u0117 sistema, ta\u010diau jis u\u017etikrina, kad \u017emogaus \u012fsiki\u0161imas apsiribos i\u0161im\u010di\u0173 per\u017ei\u016bra, o 90-99 proc. atvej\u0173 vyks automati\u0161kai. <\/p>\n\n
Kitas svarbus „Communications Mining” privalumas – ataskait\u0173 teikimo galimyb\u0117s. \u012esivaizduokite, kad galite i\u0161analizuoti visus metus trukusius 60 000 el. lai\u0161k\u0173 ir atskleisti tokius faktus, kaip antai: <\/p>\n\n
D\u017eonas Smitas da\u017enai u\u017esako produktus, kuri\u0173 gamyba netrukus bus nutraukta – tai puiki proga pasi\u016blyti jam alternatyv\u0105.<\/li>\n<\/ul>\n\n
\n
Tai tik paprasti pavyzd\u017eiai, rodantys begal\u0119 analitini\u0173 galimybi\u0173, slypin\u010di\u0173 \u012fmoni\u0173 komunikacijoje, kuri neb\u0117ra tik gigabaitai nestrukt\u016brizuot\u0173 duomen\u0173, bet aukso kasyklos, kuriose galima rasti verting\u0173 \u012f\u017evalg\u0173.<\/p>\n<\/div><\/div>\n\nPavyzdinis prietais\u0173 skydelis, kuriame pateikiamos skirtingos duomen\u0173 vizualizacijos<\/figcaption><\/figure>\n\n
Visa tai \u012fmanoma, nes kiekvienas \u012f platform\u0105 \u012fkeltas prane\u0161imas gauna modelio prognoz\u0119. Sujungus metaduomenis (pvz., siunt\u0117jo adres\u0105, domen\u0105, laiko \u017eym\u0105 ir pan.) su i\u0161vestin\u0117mis kategorijomis ir i\u0161skirtomis sritimis, gaunamas labai galingas duomen\u0173 rinkinys. Pavienis elementas gali b\u016bti laikomas mokomuoju pavyzd\u017eiu arba atveju, kur\u012f reikia apdoroti, ta\u010diau kai \u017eaid\u017eiama dideliais kiekiais, apibendrinti komunikacijos duomenys pradeda pasakoti istorijas. <\/p>\n\n
Kita svarbi komunikacijos duomenyse slypinti \u012f\u017evalga – klient\u0173 pasitenkinimas. „Communications Mining” si\u016blo integruot\u0105 nuotaik\u0173 analiz\u0119, automati\u0161kai nustatan\u010di\u0105 kiekvieno prane\u0161imo ton\u0105<\/strong> arba nuotaik\u0105<\/strong> (teigiam\u0105 arba neigiam\u0105). <\/p>\n\n
Be to, platformoje galima konfig\u016bruoti svoriu pagr\u012fst\u0105 paslaugos kokyb\u0117s<\/strong> (QoS) parametr\u0105, kiekvienam \u017eymeniui priskiriant balus nuo -10 iki 10, kad b\u016bt\u0173 galima geriau suprasti kontekst\u0105. Pavyzd\u017eiui, „U\u017esakymo at\u0161aukimas” gali tur\u0117ti QoS bal\u0105 -5, nes u\u017esakymo praradimas neigiamai veikia versl\u0105, net jei pati \u017einut\u0117 buvo teigiama. <\/p>\n\nPaslaug\u0173 kokyb\u0117s ir tonini\u0173 metrik\u0173 pavyzdys vienam prane\u0161imui<\/figcaption><\/figure>\n\n
Kadangi platforma automati\u0161kai i\u0161 naujo apmoko ir i\u0161 karto nusp\u0117ja kiekvien\u0105 \u012fkelt\u0105 prane\u0161im\u0105, komunikacijos duomenys nuolat atnaujinami, tod\u0117l galima steb\u0117ti realiuoju laiku. Galite netgi nustatyti pasirinktinius \u012fsp\u0117jimus, kad gal\u0117tum\u0117te steb\u0117ti svarbiausias s\u0105lygas, pavyzd\u017eiui, jei Johno Smitho QoS rodiklis nukrenta \u017eemiau tam tikros ribos, sistema gali nedelsiant i\u0161si\u0173sti \u012fsp\u0117jimus el. pa\u0161tu jo pagrindini\u0173 klient\u0173 vadybininkui. <\/p>\n\n
Tikiuosi, kad jums patiko \u0161is trumpas \u012fvadas \u012f nat\u016bralios kalbos apdorojim\u0105 ir „UiPath Communications Mining”. Ta\u010diau vos praskleid\u0117me pavir\u0161i\u0173, dar daug k\u0105 galima atrasti ir su\u017einoti, tod\u0117l raginu jus i\u0161bandyti ir i\u0161likti smalsiems. Technologijos tobul\u0117ja ne\u012ftik\u0117tinu grei\u010diu, vakaryk\u0161\u010dius ne\u012fmanomus dalykus paversdamos \u0161iandienos realybe. <\/p>\n\n
Dr\u0105siai kreipkit\u0117s \u012f mus, jei turite koki\u0173 nors klausim\u0173, ir laimingo automatizavimo!<\/p>\n","protected":false},"excerpt":{"rendered":"
Dar viena \u017einut\u0117 ir pa\u0161to d\u0117\u017eut\u0117 sprogs. Ar kada nors kilo pana\u0161i mintis? Atsid\u016br\u0117te tokioje situacijoje, kai perskaityti visus gaunamus el. lai\u0161kus \u017emogui fizi\u0161kai ne\u012fmanoma? Ar galime tiesiog suversti kalt\u0119 R\u0117jui Tomlinsonui u\u017e tai, kad jis 1971 m. i\u0161siunt\u0117 pirm\u0105j\u012f lai\u0161k\u0105 istorijoje? <\/p>\n","protected":false},"author":1,"featured_media":14135,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[130],"tags":[139],"class_list":["post-16688","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-dirbtinio-intelekto-irankiai","tag-straipsnis"],"acf":[],"_links":{"self":[{"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/posts\/16688","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/comments?post=16688"}],"version-history":[{"count":0,"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/posts\/16688\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/media\/14135"}],"wp:attachment":[{"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/media?parent=16688"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/categories?post=16688"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/office-samurai.com\/lt\/wp-json\/wp\/v2\/tags?post=16688"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-emaisl-sent-per-day-1.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-typical-customer-request-sent-via-email.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-single-message-view-in-uipath-communications-mining.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-taxonomy-building-interface-on-communications-mining-platform.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-example-of-recommended-message-volume-and-timespan.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-a-fragment-of-CSV-file-upload-interface.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-training-interface-for-a-single-message.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-basic-model-metrics.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-simplified-comparison-of-classic-and-AI-powered-automation-types.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-example-of-a-single-model-feedback-served-as-actionable-item.jpg\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-single-message-view-displaying-models-prediction-for-labels-and-fields.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-sample-dashboard-presenting-different-data-visualisations.png\")
![\"\"](\"https:\/\/office-samurai.com\/wp-content\/uploads\/2025\/03\/officesamurai-article-example-of-quality-of-service-and-tone-metrics-for-a-single-message.jpg\")