{"id":16686,"date":"2025-05-20T12:22:00","date_gmt":"2025-05-20T10:22:00","guid":{"rendered":"https:\/\/office-samurai.com\/communications-mining-z-uipath-kazde-slowo-ma-znaczenie\/"},"modified":"2026-01-07T15:17:41","modified_gmt":"2026-01-07T14:17:41","slug":"communications-mining-z-uipath-kazde-slowo-ma-znaczenie","status":"publish","type":"post","link":"https:\/\/office-samurai.com\/pl\/communications-mining-z-uipath-kazde-slowo-ma-znaczenie\/","title":{"rendered":"Communications Mining z UiPath – ka\u017cde s\u0142owo ma znaczenie"},"content":{"rendered":"\n
„Jeszcze jedna wiadomo\u015b\u0107 i skrzynka odbiorcza eksploduje”. Czy kiedykolwiek mia\u0142e\u015b podobn\u0105 my\u015bl? Znalaz\u0142e\u015b si\u0119 w sytuacji, w kt\u00f3rej przeczytanie wszystkich przychodz\u0105cych wiadomo\u015bci e-mail jest fizycznie niemo\u017cliwe dla cz\u0142owieka? Czy mo\u017cemy po prostu zrzuci\u0107 win\u0119 na Raya Tomlinsona za wys\u0142anie pierwszej wiadomo\u015bci w 1971 roku? <\/p>\n\n
Prywatnie to b\u00f3l g\u0142owy, zawodowo – realny wp\u0142yw na biznes. Przyczyna le\u017cy w naszej naturze – komunikujemy si\u0119 za pomoc\u0105 j\u0119zyka m\u00f3wionego lub pisanego (tak\u017ce migowego), a o ludziach mo\u017cna powiedzie\u0107 jedno – zmiana jest trudna. <\/p>\n\n\u015awiatowy dzienny ruch e-mail wed\u0142ug www.dragapp.com<\/figcaption><\/figure>\n\n
Czy jest inny spos\u00f3b? Czytaj dalej. <\/p>\n\n
<\/span>Dlaczego jest to problem biznesowy?<\/span><\/h2>\n\n
Nic nie dociera lepiej ni\u017c przyk\u0142ad. Przywitaj si\u0119 z Johnem Smithem, swoim najwierniejszym mailowym przyjacielem: <\/p>\n\nTypowe \u017c\u0105danie klienta wys\u0142ane poczt\u0105 elektroniczn\u0105<\/figcaption><\/figure>\n\n
Brzmi to jak proste pi\u0119ciominutowe zadanie, a utrzymywanie dobrych relacji biznesowych z Johnem jest wa\u017cne.<\/p>\n\n
Teraz pomn\u00f3\u017c pana Smitha przez ca\u0142\u0105 baz\u0119 klient\u00f3w i ka\u017cdy proces kontaktu z klientem (w tym wewn\u0119trzne, takie jak transakcje mi\u0119dzy firmami). Nagle wracamy do poprzedniego punktu – skrzynka odbiorcza eksploduje. Policzmy: oko\u0142o 80 takich „szybkich”, 5-minutowych zapyta\u0144 biznesowych mo\u017ce wype\u0142ni\u0107 ca\u0142y dzie\u0144 pracy (1 etat, zak\u0142adaj\u0105c 6,5 godziny czasu produktywnego). <\/p>\n\n
\n
Po latach komunikacji transakcyjnej osi\u0105gn\u0119li\u015bmy punkt, w kt\u00f3rym powszechne i globalnie akceptowane jest otrzymywanie nieustrukturyzowanych informacji jako danych wej\u015bciowych, jednocze\u015bnie polegaj\u0105c na systemach, kt\u00f3re wymagaj\u0105 \u015bci\u015ble ustrukturyzowanych danych.<\/p>\n<\/div><\/div>\n\n
Zgadnij, kto przekszta\u0142ca te dane.<\/p>\n\n
Mo\u017cesz najpierw spr\u00f3bowa\u0107 to naprawi\u0107 i szczerze do tego zach\u0119cam. Najcz\u0119\u015bciej jednak natrafisz na mur – struktur\u0119 organizacyjn\u0105, procedury, umowy SLA lub klasyczne „zawsze robili\u015bmy to w ten spos\u00f3b”. <\/p>\n\n
Od czasu do czasu mo\u017cna zauwa\u017cy\u0107 \u0142\u00f3d\u017a ratunkow\u0105 w postaci ustrukturyzowanych danych wej\u015bciowych, takich jak formularze lub systemy biletowe. Z naszego do\u015bwiadczenia wynika jednak, \u017ce s\u0105 one rzadko\u015bci\u0105 – a nawet je\u015bli istniej\u0105, cz\u0119sto przegrywaj\u0105 bitw\u0119 ze starym, dobrym, niezawodnym e-mailem lub zaczynaj\u0105 go przypomina\u0107, oferuj\u0105c pola tekstowe. <\/p>\n\n
Zanim wybierzemy nasz\u0105 bro\u0144, ustalmy pole bitwy. Zag\u0142\u0119biamy si\u0119 w przetwarzanie j\u0119zyka naturalnego (NLP) – dziedzin\u0119 sztucznej inteligencji (AI) i rozleg\u0142y, fascynuj\u0105cy temat, kt\u00f3ry warto zbada\u0107 poza tym artyku\u0142em. Obecnie prze\u017cywa renesans, nap\u0119dzany rozwojem du\u017cych modeli j\u0119zykowych (takich jak ChatGPT), ale zaj\u0119\u0142o nam du\u017co czasu, aby dotrze\u0107 do miejsca, w kt\u00f3rym jeste\u015bmy teraz. <\/p>\n\n
Dowiedz si\u0119, czego chce John – zrozum intencje<\/strong> jego wiadomo\u015bci.<\/li>\n\n\n\n
Wyodr\u0119bnij wa\u017cne fragmenty – wyci\u0105gnij kluczowe punkty danych<\/strong> z tekstu.<\/li>\n<\/ol>\n\n
Dlaczego w\u0142a\u015bnie te dwa? Poniewa\u017c tak w\u0142a\u015bnie dzia\u0142aj\u0105 procesy (biznesowe): pobierasz dane wej\u015bciowe, przetwarzasz je przez szereg dzia\u0142a\u0144 i generujesz dane wyj\u015bciowe. Rozpoznanie intencji (etykieta wiadomo\u015bci) pomaga skierowa\u0107 j\u0105 do w\u0142a\u015bciwego procesu ze zdefiniowanym wynikiem, podczas gdy wyodr\u0119bnione dane s\u0142u\u017c\u0105 jako dane wej\u015bciowe. W tym przypadku mogliby\u015bmy zdefiniowa\u0107 nasz proces jako „Zapytanie o zam\u00f3wienie”, w kt\u00f3rym numer PO dzia\u0142a jako dane wej\u015bciowe, a wynikiem jest aktualizacja statusu zam\u00f3wienia w odpowiedzi. <\/p>\n\nWidok pojedynczej wiadomo\u015bci w UiPath Communications Mining<\/figcaption><\/figure>\n\n
Je\u015bli masz ochot\u0119 na g\u0142\u0119bsze zanurzenie, te dwa cele s\u0105 zgodne z dobrze znanymi zadaniami NLP: klasyfikacj\u0105 (wykrywanie intencji) i rozpoznawaniem nazwanych jednostek (NER) (ekstrakcja danych). Istnieje wiele sposob\u00f3w radzenia sobie z nimi, ka\u017cdy z tuzinem r\u00f3\u017cnych bibliotek, narz\u0119dzi lub (ostatnio) LLM do wyboru. Bardziej tradycyjne podej\u015bcie mo\u017ce opiera\u0107 si\u0119 na wyra\u017ceniach regularnych (warto sprawdzi\u0107!), kt\u00f3re sprawdzaj\u0105 si\u0119 w prostych przypadkach. Mamy jednak do czynienia z r\u00f3\u017cnorodnymi wiadomo\u015bciami i wolumenami na skal\u0119 korporacyjn\u0105 – pomy\u015bl o 5-15 tys. e-maili miesi\u0119cznie – wi\u0119c potrzebujemy czego\u015b solidniejszego. <\/p>\n\n
Celem jest radzenie sobie z tym na du\u017c\u0105 skal\u0119, w powtarzalny spos\u00f3b, tak aby pracownicy kontaktuj\u0105cy si\u0119 z klientami mogli anga\u017cowa\u0107 si\u0119 w wa\u017cne fragmenty komunikacji, w kt\u00f3rych sztuczna inteligencja zawodzi, a ludzka wiedza jest nadal niezb\u0119dna lub tam, gdzie ma to najwi\u0119ksze znaczenie: wzmacnianie relacji z klientami, pozyskiwanie nowych klient\u00f3w i zatrzymywanie tych, kt\u00f3rzy s\u0105 zagro\u017ceni odej\u015bciem (churn). Niekt\u00f3rzy spekuluj\u0105, \u017ce w niedalekiej przysz\u0142o\u015bci interakcja z cz\u0142owiekiem stanie si\u0119 us\u0142ug\u0105 premium. <\/p>\n\n
Do wyboru jest wiele opcji, ale my zajmiemy si\u0119 UiPath Communications Mining.<\/strong><\/p>\n\n
<\/span>Przepis podstawowy<\/span><\/h2>\n\n
Tytu\u0142em wst\u0119pu, Communications Mining to oparta na chmurze us\u0142uga AI\/Machine Learning (ML) w ekosystemie UiPath, stworzona w celu automatycznego rozumienia i przetwarzania danych w j\u0119zyku naturalnym. Na platformie jest wiele do odkrycia. Zajmiemy si\u0119 podstawowymi informacjami, ale je\u015bli chcesz dowiedzie\u0107 si\u0119 wi\u0119cej, polecam zapozna\u0107 si\u0119 z oficjaln\u0105 dokumentacj\u0105 i kursami UiPath Academy. <\/p>\n\n
Wi\u0119kszo\u015b\u0107 cykli \u017cycia ML sk\u0142ada si\u0119 z kilku kluczowych etap\u00f3w: planowania, szkolenia i wdro\u017cenia – dok\u0142adnie tak podejdziemy do tego tematu.<\/p>\n\n
Planowanie<\/h3>\n\n
Komunikacja jest nieunikniona w ka\u017cdej firmie – prawie ka\u017cdy proces wymaga rozmowy na pewnym etapie. Zamiast jednak zajmowa\u0107 si\u0119 wszystkim naraz, zacznij od zadania sobie kilku kluczowych pyta\u0144: <\/p>\n\n
\n
Gdzie komunikacja jest nieod\u0142\u0105czn\u0105 cz\u0119\u015bci\u0105 procesu, np. s\u0142u\u017cy jako wej\u015bcie\/wyj\u015bcie dla ca\u0142ego przep\u0142ywu pracy lub poszczeg\u00f3lnych dzia\u0142a\u0144?<\/li>\n\n\n\n
Jakie kana\u0142y komunikacji s\u0105 u\u017cywane w organizacji: e-maile, czaty, CRM, systemy biletowe, aplikacje do wsp\u00f3\u0142pracy itp. (\u017ar\u00f3d\u0142a danych) <\/li>\n\n\n\n
Kto obs\u0142uguje du\u017ce ilo\u015bci wiadomo\u015bci? Kt\u00f3re dzia\u0142y lub zespo\u0142y s\u0105 najbardziej zaanga\u017cowane? <\/li>\n\n\n\n
Czy w komunikacji biznesowej wyst\u0119puj\u0105 powtarzaj\u0105ce si\u0119 wzorce lub ustrukturyzowane elementy?<\/li>\n<\/ul>\n\n
I najwa\u017cniejsze, cz\u0119sto zapominane – po co w og\u00f3le to robi\u0107? Czy celem jest automatyzacja, analityka, czy jedno i drugie? Jakie wska\u017aniki KPI definiuj\u0105 sukces? Samo stwierdzenie „to dzia\u0142a” nie wystarczy w przypadku rozwi\u0105za\u0144 opartych na sztucznej inteligencji – wi\u0119cej na ten temat p\u00f3\u017aniej. <\/p>\n\n
Kontynuujmy orbitowanie wok\u00f3\u0142 naszego przyk\u0142adu: Zesp\u00f3\u0142 Przetwarzania Zam\u00f3wie\u0144 obs\u0142uguje 5000 e-maili miesi\u0119cznie, z kt\u00f3rych wi\u0119kszo\u015b\u0107 jest podobna do wiadomo\u015bci Johna – nowe zam\u00f3wienia, modyfikacje, anulacje i zapytania. Zadawanie w\u0142a\u015bciwych pyta\u0144 i analizowanie proces\u00f3w w zakresie poprowadzi nas w kierunku zdefiniowania taksonomii<\/strong> dla naszego modelu. <\/p>\n\nInterfejs tworzenia taksonomii na platformie Communications Mining<\/figcaption><\/figure>\n\n
Taksonomia jest hierarchiczn\u0105 struktur\u0105 intencji\/kategorii (etykiet), kt\u00f3re mog\u0105 by\u0107 zagnie\u017cd\u017cone i powi\u0105zanych z nimi punkt\u00f3w danych. Niekt\u00f3re pola s\u0105 bezpo\u015brednio powi\u0105zane z konkretnymi etykietami (pola ekstrakcji), podczas gdy inne mog\u0105 pojawia\u0107 si\u0119 w ka\u017cdej wiadomo\u015bci (pola og\u00f3lne). Dobrze zaprojektowana taksonomia powinna dok\u0142adnie odzwierciedla\u0107 rzeczywiste wzorce komunikacji, poniewa\u017c s\u0142u\u017cy jako podstawa do szkolenia i stosowania modelu. <\/p>\n\n
Chocia\u017c taksonomi\u0119 mo\u017cna modyfikowa\u0107, zmiany wi\u0105\u017c\u0105 si\u0119 z konsekwencjami – dostosowania mog\u0105 wyd\u0142u\u017cy\u0107 czas szkolenia, a niekt\u00f3re zmiany s\u0105 nieodwracalne.<\/p>\n\n
Szkolenie<\/h3>\n\n
Zasadniczo ka\u017cde szkolenie ML polega na dostarczeniu mu wystarczaj\u0105cej liczby przyk\u0142ad\u00f3w do „nauki”. Pod mask\u0105 sztuczna inteligencja wykorzystuje techniki matematyczne i statystyczne do wykrywania wzorc\u00f3w i relacji w danych – co pozwala jej przewidywa\u0107 nowe, niewidoczne przypadki. <\/p>\n\nPrzyk\u0142ad zalecanej ilo\u015bci wiadomo\u015bci i przedzia\u0142u czasowego<\/figcaption><\/figure>\n\n
Ile przyk\u0142ad\u00f3w wystarczy? Nie ma uniwersalnej odpowiedzi, ale oto kilka wskaz\u00f3wek: <\/p>\n\n
\n
Og\u00f3lnie rzecz bior\u0105c, wi\u0119cej znaczy lepiej.<\/strong> Zestaw treningowy powinien jak najdok\u0142adniej odzwierciedla\u0107 rzeczywiste dane – zmniejszaj\u0105c losowo\u015b\u0107 i poprawiaj\u0105c niezawodno\u015b\u0107. W przypadku Proof-of-Concept w Communications Mining nale\u017cy spodziewa\u0107 si\u0119 dostarczenia co najmniej 10 000 wiadomo\u015bci; w przypadku konfiguracji klasy produkcyjnej nale\u017cy d\u0105\u017cy\u0107 do 60 000+. <\/li>\n\n\n\n
Uwzgl\u0119dnianie sezonowo\u015bci<\/strong>. Uwzgl\u0119dnij w swoim zbiorze danych zmiany, takie jak miesi\u0119czne szczyty, spowolnienia pod koniec roku lub inne cykliczne trendy. <\/li>\n\n\n\n
Zr\u00f3wnowa\u017cy\u0107 zestaw danych.<\/strong> Idealnie by\u0142oby, gdyby ka\u017cda kategoria (etykieta) mia\u0142a tak\u0105 sam\u0105 liczb\u0119 przyk\u0142ad\u00f3w. Podczas gdy rzeczywiste dane biznesowe rzadko pasuj\u0105 do tego idea\u0142u, do\u0142\u00f3\u017c wszelkich stara\u0144, aby zminimalizowa\u0107 du\u017ce nier\u00f3wno\u015bci. <\/li>\n<\/ul>\n\n
Budowanie i szkolenie modelu uczenia maszynowego zazwyczaj wymaga umiej\u0119tno\u015bci programistycznych, tworz\u0105c wysok\u0105 barier\u0119 wej\u015bcia. Na szcz\u0119\u015bcie Communications Mining pozwala przej\u015b\u0107 przez ca\u0142y proces bez pisania ani jednej linii kodu (jest to opcjonalne). Dane komunikacyjne mo\u017cna przesy\u0142a\u0107 za po\u015brednictwem pliku CSV (Comma Separated Values) lub wst\u0119pnie zbudowanych integracji z Microsoft Exchange Server lub Salesforce. <\/p>\n\nFragment interfejsu przesy\u0142ania plik\u00f3w CSV<\/figcaption><\/figure>\n\n
Szkolenie jest bardzo \u0142atwe i przyjazne dla u\u017cytkownika, prawie jak kolorowanka. Wystarczy kilka klikni\u0119\u0107, aby u\u017cytkownik biznesowy (zazwyczaj ekspert merytoryczny) przypisa\u0142 odpowiednie etykiety (jedn\u0105 lub wiele) i pod\u015bwietli\u0142 odpowiednie punkty danych (pola) w tek\u015bcie wiadomo\u015bci. <\/p>\n\nInterfejs szkoleniowy dla pojedynczej wiadomo\u015bci<\/figcaption><\/figure>\n\n
To wszystko. Platforma automatycznie wykrywa zmiany i rozpoczyna szkolenie. Powtarzaj t\u0119 czynno\u015b\u0107, dop\u00f3ki nie dostarczysz wystarczaj\u0105cej liczby przyk\u0142ad\u00f3w. Ilu? Zgad\u0142e\u015b – tutaj r\u00f3wnie\u017c nie ma uniwersalnej odpowiedzi, ale Communications Mining oferuje tryb szkolenia z przewodnikiem<\/strong>. Zapewnia on jasne, pouczaj\u0105ce informacje zwrotne, kt\u00f3re pomagaj\u0105 w ustaleniu wymiernych cel\u00f3w. Zasad\u0105 jest maksymalizacja wydajno\u015bci modelu przy jednoczesnym zminimalizowaniu czasu sp\u0119dzonego na szkoleniu (pracy, kt\u00f3r\u0105 trzeba w\u0142o\u017cy\u0107). <\/p>\n\nPodstawowe wska\u017aniki modelu<\/figcaption><\/figure>\n\n
Jak wspomniano wcze\u015bniej, efektywno\u015b\u0107 operacyjna automatyzacji opartej na sztucznej inteligencji jest zr\u00f3\u017cnicowana. W klasycznej automatyzacji, takiej jak Robotic Process Automation (RPA), definiujesz \u015bcis\u0142e wymagania, a bot pod\u0105\u017ca zaprogramowan\u0105 \u015bcie\u017ck\u0105, obs\u0142uguj\u0105c wyj\u0105tki w przewidywalny, oparty na regu\u0142ach spos\u00f3b. W scenariuszach uczenia maszynowego trzeba zmierzy\u0107 si\u0119 z pewnym poziomem niepewno\u015bci i zaakceptowa\u0107 go. <\/p>\n\nUproszczone por\u00f3wnanie klasycznych i opartych na sztucznej inteligencji typ\u00f3w automatyzacji<\/figcaption><\/figure>\n\n
Metryki uczenia maszynowego to szeroki temat wykraczaj\u0105cy poza zakres tego artyku\u0142u. Na szcz\u0119\u015bcie interfejs Communications Mining przedstawia kluczowe informacje w intuicyjny, \u0142atwy do zrozumienia spos\u00f3b, oferuj\u0105c jednocze\u015bnie wystarczaj\u0105cy poziom kontroli. B\u0119dziemy jednak musieli om\u00f3wi\u0107 jedn\u0105 istotn\u0105 koncepcj\u0119 zaufania<\/strong> (warto\u015bci), kt\u00f3ra prowadzi nas do nast\u0119pnego rozdzia\u0142u. <\/p>\n\nPrzyk\u0142ad pojedynczego modelu informacji zwrotnej s\u0142u\u017c\u0105cego jako element do dzia\u0142ania<\/figcaption><\/figure>\n\n
Wdro\u017cenie<\/h3>\n\n
Zbierzmy wszystko razem. Nasz zakres i cele s\u0105 teraz odzwierciedlone w taksonomii i zdecydowali\u015bmy, \u017ce szkolenie modelu zosta\u0142o zako\u0144czone – przynajmniej na razie. Czas, aby sztuczna inteligencja wykona\u0142a ci\u0119\u017ck\u0105 prac\u0119. <\/p>\n\n
Kierujemy oryginaln\u0105 wiadomo\u015b\u0107 e-mail Johna do Communications Mining, a w zamian otrzymujemy prognoz\u0119 modelu dla tej wiadomo\u015bci:<\/p>\n\nWidok pojedynczego komunikatu wy\u015bwietlaj\u0105cy przewidywania modelu dla etykiet i p\u00f3l<\/figcaption><\/figure>\n\n
Platforma zapewnia dwa kluczowe elementy automatyzacji, o kt\u00f3rych m\u00f3wili\u015bmy:<\/p>\n\n
Wyodr\u0119bnione pola, kt\u00f3re s\u0142u\u017c\u0105 jako ustrukturyzowane dane wej\u015bciowe<\/strong> wymagane dla tego procesu.<\/li>\n<\/ul>\n\n
Zauwa\u017c, \u017ce ka\u017cda prognoza ma warto\u015b\u0107 zaufania w zakresie od 0% do 100% (dotyczy to r\u00f3wnie\u017c p\u00f3l ekstrakcji, cho\u0107 nie jest to widoczne w tym widoku). Warto\u015b\u0107 ta reprezentuje stopie\u0144 pewno\u015bci modelu – w oparciu o jego szkolenie – \u017ce okre\u015blona etykieta ma zastosowanie do tej wiadomo\u015bci. Do nas nale\u017cy decyzja, co zrobi\u0107 z tymi informacjami. <\/strong>Dobrym punktem wyj\u015bcia jest ustawienie warto\u015bci progowej jako filtra odcinaj\u0105cego. Zanim wyci\u0105gniemy dalsze wnioski, przeanalizujmy kilka hipotetycznych scenariuszy: <\/p>\n\n
\n
Happy Path: model przewiduje „Order Information Request > Delivery Status” z 74% pewno\u015bci\u0105, przekraczaj\u0105c pr\u00f3g 70%. Numer PO jest r\u00f3wnie\u017c wyodr\u0119bniany z wysokim poziomem ufno\u015bci. \u017b\u0105danie jest kierowane do automatyzacji, kt\u00f3ra wysy\u0142a zapytanie do systemu ERP i zwraca status dostawy. John otrzymuje automatyczn\u0105 wiadomo\u015b\u0107 e-mail z \u017c\u0105danymi informacjami. <\/li>\n\n\n\n
Przypadek graniczny: tym razem 74% pewno\u015bci nie wystarczy, poniewa\u017c nasz pr\u00f3g jest ustawiony na 80%. Pozwalamy pracownikowi przetworzy\u0107 spraw\u0119 w pe\u0142ni r\u0119cznie lub wdra\u017camy mechanizm human-in-the-loop, kt\u00f3ry za\u017c\u0105da ludzkiej walidacji przed wykonaniem procesu. <\/li>\n\n\n\n
Niepo\u017c\u0105dany wynik: model b\u0142\u0119dnie klasyfikuje<\/strong> \u017c\u0105danie jako „Anulowanie zam\u00f3wienia”, a jego zaufanie przekracza pr\u00f3g. Kolejna automatyzacja anuluje zam\u00f3wienie w systemie ERP i powiadamia Johna, kt\u00f3ry jest teraz zdezorientowany, dlaczego jego \u017c\u0105danie spowodowa\u0142o anulowanie zam\u00f3wienia. <\/li>\n<\/ul>\n\n
Powy\u017csze scenariusze s\u0105 uproszczone (a trzeci jest przesadzony), ale podkre\u015blaj\u0105 wielostronny charakter automatyzacji opartej na sztucznej inteligencji. Dlatego tak wa\u017cne jest dok\u0142adne przeanalizowanie proces\u00f3w i oczekiwanych rezultat\u00f3w przed ich wdro\u017ceniem. <\/p>\n\n
Dzia\u0142ania wysokiego ryzyka, takie jak anulowanie zam\u00f3wienia, powinny mie\u0107 wy\u017csze progi zaufania, dodatkowe kontrole oparte na regu\u0142ach, a nawet obowi\u0105zkow\u0105 weryfikacj\u0119 przez cz\u0142owieka. To hybrydowe podej\u015bcie mo\u017ce nie by\u0107 tak szybkie, jak w pe\u0142ni autonomiczny system, ale zapewnia, \u017ce interwencja cz\u0142owieka ogranicza si\u0119 do przegl\u0105du wyj\u0105tk\u00f3w, podczas gdy 90-99% przypadk\u00f3w przebiega automatycznie. <\/p>\n\n
Wykorzystaj to, co najlepsze z obu \u015bwiat\u00f3w<\/h3>\n\n
Kolejn\u0105 wa\u017cn\u0105 zalet\u0105 Communications Mining s\u0105 mo\u017cliwo\u015bci raportowania. Wyobra\u017a sobie, \u017ce jeste\u015b w stanie przeanalizowa\u0107 60 000 e-maili z ca\u0142ego roku i odkry\u0107 takie fakty jak: <\/p>\n\n
\n
10 najpopularniejszych kategorii zg\u0142osze\u0144.<\/li>\n\n\n\n
Szczyt zapyta\u0144 o status dostawy przypada na grudzie\u0144.<\/li>\n\n\n\n
John Smith cz\u0119sto zamawia produkty, kt\u00f3re wkr\u00f3tce zostan\u0105 wycofane – to doskona\u0142a okazja, aby zaoferowa\u0107 mu alternatyw\u0119.<\/li>\n<\/ul>\n\n
\n
To tylko proste przyk\u0142ady niesko\u0144czonych mo\u017cliwo\u015bci analitycznych ukrytych w komunikacji korporacyjnej, kt\u00f3ra nie jest ju\u017c tylko gigabajtami nieustrukturyzowanych danych, ale kopalni\u0105 cennych spostrze\u017ce\u0144 czekaj\u0105cych na odkrycie.<\/p>\n<\/div><\/div>\n\nPrzyk\u0142adowy pulpit nawigacyjny prezentuj\u0105cy r\u00f3\u017cne wizualizacje danych<\/figcaption><\/figure>\n\n
Wszystko to jest mo\u017cliwe, poniewa\u017c ka\u017cda wiadomo\u015b\u0107 przes\u0142ana na platform\u0119 otrzymuje model predykcji. Po po\u0142\u0105czeniu metadanych (takich jak adres nadawcy, domena, znacznik czasu itp.) z wnioskowanymi kategoriami i wyodr\u0119bnionymi polami, otrzymujemy bardzo pot\u0119\u017cny zbi\u00f3r danych. Pojedynczy element mo\u017ce by\u0107 traktowany jako przyk\u0142ad szkoleniowy lub przypadek do przetworzenia, ale gdy w gr\u0119 wchodz\u0105 du\u017ce wolumeny, zagregowane dane komunikacyjne zaczynaj\u0105 opowiada\u0107 historie. <\/p>\n\n
Kolejn\u0105 kluczow\u0105 informacj\u0105 ukryt\u0105 w danych komunikacyjnych jest zadowolenie klient\u00f3w. Communications Mining zapewnia wbudowan\u0105 analiz\u0119 sentymentu, automatycznie wykrywaj\u0105c ton<\/strong> lub sentyment<\/strong> (pozytywny lub negatywny) dla ka\u017cdej wiadomo\u015bci. <\/p>\n\n
Ponadto platforma umo\u017cliwia skonfigurowanie parametru Quality of Service<\/strong> (QoS) opartego na wadze, przypisuj\u0105c ka\u017cdej etykiecie wynik od -10 do 10 w celu uzyskania g\u0142\u0119bszego kontekstu. Na przyk\u0142ad „Anulowanie zam\u00f3wienia” mo\u017ce mie\u0107 wynik QoS r\u00f3wny -5, poniewa\u017c utrata zam\u00f3wienia ma negatywny wp\u0142yw na biznes – nawet je\u015bli sam sentyment wiadomo\u015bci by\u0142 pozytywny. <\/p>\n\nPrzyk\u0142ad metryk jako\u015bci us\u0142ugi i tonu dla pojedynczej wiadomo\u015bci<\/figcaption><\/figure>\n\n
Poniewa\u017c platforma automatycznie ponownie trenuje i przewiduje ka\u017cd\u0105 przes\u0142an\u0105 wiadomo\u015b\u0107, dane komunikacyjne s\u0105 stale aktualizowane, umo\u017cliwiaj\u0105c monitorowanie w czasie rzeczywistym. Mo\u017cesz nawet ustawi\u0107 niestandardowe alerty, aby \u015bledzi\u0107 kluczowe warunki – na przyk\u0142ad, je\u015bli wynik QoS Johna Smitha spadnie poni\u017cej okre\u015blonego progu, system mo\u017ce natychmiast wys\u0142a\u0107 powiadomienia e-mail do jego Key Account Managera. <\/p>\n\n
Mam nadziej\u0119, \u017ce podoba\u0142o Ci si\u0119 to kr\u00f3tkie wprowadzenie do przetwarzania j\u0119zyka naturalnego i UiPath Communications Mining. Ledwo jednak zarysowali\u015bmy powierzchni\u0119, jest o wiele wi\u0119cej do odkrycia i nauczenia si\u0119, wi\u0119c zach\u0119cam do wypr\u00f3bowania rzeczy i pozostania ciekawym. Technologia rozwija si\u0119 w niewiarygodnym tempie, zmieniaj\u0105c wczorajsze niemo\u017cliwe w dzisiejsz\u0105 rzeczywisto\u015b\u0107. <\/p>\n\n
Je\u015bli masz jakie\u015b pytania, skontaktuj si\u0119 z nami i ciesz si\u0119 automatyzacj\u0105!<\/p>\n","protected":false},"excerpt":{"rendered":"
Jeszcze jedna wiadomo\u015b\u0107 i skrzynka odbiorcza eksploduje. Czy kiedykolwiek mia\u0142e\u015b podobn\u0105 my\u015bl? Znale\u017ali\u015bcie si\u0119 w sytuacji, w kt\u00f3rej przeczytanie wszystkich przychodz\u0105cych wiadomo\u015bci e-mail jest fizycznie niemo\u017cliwe dla cz\u0142owieka? Czy mo\u017cemy po prostu zrzuci\u0107 win\u0119 na Raya Tomlinsona za wys\u0142anie pierwszej wiadomo\u015bci w 1971 roku? <\/p>\n","protected":false},"author":1,"featured_media":14136,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[126],"tags":[138],"class_list":["post-16686","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-narzedzia-ai","tag-artykul"],"acf":[],"_links":{"self":[{"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/posts\/16686","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/comments?post=16686"}],"version-history":[{"count":0,"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/posts\/16686\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/media\/14136"}],"wp:attachment":[{"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/media?parent=16686"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/categories?post=16686"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/office-samurai.com\/pl\/wp-json\/wp\/v2\/tags?post=16686"}],"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\")