Aprendizaje profundo versus aprendizaje automático

por Stephanie Simone

En KMWorld Connect 2020, David Seuss, director ejecutivo de Northern Light, Sid Probstein, director de tecnología de Keeeb, y Tom Barfield, arquitecto jefe de soluciones, Keeb hablaron sobre “Machine Learning & KM”.

Aprendizaje profundo versus aprendizaje automático

El aprendizaje automático puede ayudar a las actividades de GC de muchas formas. Seuss discutió el uso de un análisis semántico de palabras clave en publicaciones sociales sobre un tema de interés para brindar una guía clara sobre qué términos tienen relevancia comercial real y, por lo tanto, vale la pena invertir en ellos.

“¿Qué estamos escuchando de nuestros usuarios?” Preguntó Seuss. “Los usuarios odian el proceso de investigación empresarial”.

Utilizando AstraZeneca como ejemplo, Seuss inició el análisis de las presentaciones de la conferencia de la empresa. Al observar los temas, la diabetes se hundió más como un foco de atención de AstraZenica.

Al mirar su cuenta de Twitter, los temas incluyeron oncología, COVID-19 y problemas ambientales. No se hizo ni una sola referencia a la diabetes, según Seuss.

“Las redes sociales es donde se expresa por primera vez la energía de la empresa”, dijo Seuss.

Un análisis de noticias instantáneo que utiliza análisis de texto nos cuenta la misma historia: sin mención de productos para la diabetes, ensayos clínicos, marketing, etc.

La extracción de información automatizada basada en IA de 250 presentaciones de conferencias de oncolcogia de AstraZeneca brinda información sobre el enfoque de I + D.

“Deje que la máquina lea el contenido y le diga lo que cree que es importante”, dijo Seuss.

Puede hacerlo con un gráfico semántico de todas las ideas en las presentaciones de la conferencia. Los gráficos semánticos buscan relaciones entre ideas y miden el número y la fuerza de las relaciones. Los resultados de búsqueda de Google son un ejemplo real de esto en acción.

“Nos acercamos a la era en la que los usuarios ya no buscarán información, esperarán que la máquina analice y luego resuma para ellos lo que necesitan saber”, dijo Seuss. “Las técnicas basadas en máquinas lo cambiarán todo”.

Probstein y Barfield abordaron nuevos enfoques para integrar el intercambio de conocimientos en el trabajo. Analizaron la curación de información colaborativa para que los usuarios finales ayuden a identificar el mejor contenido, lo que permite a los equipos de GC centrarse en los desafíos de conocimiento más estratégicos, así como en la aplicación pragmática de la IA a través del análisis de texto para mejorar tanto la curación como la búsqueda y mejorar el rendimiento.

El súper silo está en aumento, dijo Probstein. Almacena archivos, registros, clientes / ventas y puede ser muy variable. Observó los resultados de búsqueda para ver cómo COVID-19 está teniendo un impacto en las empresas.

“No solo hay muchos motores de búsqueda, cada uno es diferente”, dijo Probstein.

Probstein dijo que Keeeb puede ayudar con este problema. La solución puede buscar en una variedad de fuentes de datos para encontrar la información correcta.

“Una búsqueda, unos segundos, un panel de vidrio”, dijo Probstein. “Una vez que resuelva el problema de búsqueda, podrá revisar los documentos”.

El conocimiento no siempre es un documento completo, puede ser unos pocos párrafos o una imagen, que luego se puede capturar y compartir a través de Keeeb.

La inteligencia artificial y el aprendizaje automático pueden permitir que la búsqueda se integre con las herramientas existentes o con cualquier sistema. Las empresas deben brindar a los usuarios finales enfoques simples para organizarse con contenido aumentado con inteligencia artificial que los beneficie a ellos mismos y a los demás, dijo Barfield.

Fuente: https://www.kmworld.com/Articles/News/News/Utilizing-machine-learning-to-uncover-the-right-content-at-KMWorld-Connect-2020-143984.aspx

Deja un comentario