Машинное обучение способно улучшить жизнь компаний в Сети, но это, вероятно, повлечет необходимость инвестиций в «картирование знаний» и инновации в области информационной архитектуры.
Данная технология — машинное обучение обладает огромным потенциалом, позволяющим организациям максимально индивидуализированно подходить к вопросу пользовательского опыта.
Машинное обучение стремится обнаружить значимые паттерны среди большого количества информации. В сочетании с продолжающимся внедрением инноваций в области облачного хранения информации и аналитики big data, эта технология может радикально изменить то, как корпорации будут управлять диджитал-контентом для формирования инновационного пользовательского онлайн-опыта.
Но создание подобного опыта требует достоверной структуры информации и понимания того, как релевантные вещи действительно взаимосвязаны.
За пределами Графа Знаний Google
Взгляните на то, как Google генерирует ответы на запросы. Последние несколько лет Google полагается на Граф Знаний, результат широкомасштабных усилий по сбору информации об объектах диджитал-среды, выраженный “картой взаимосвязей”.
Введите запрос “Леонардо да Винчи”, и Google отобразит панель рядом с поисковой выдачей, на которой будет отражены основные сведения его биографии. Также будут показаны уменьшенные копии его наиболее известных работ и несколько важных художников, которых искали другие люди.
“За кулисами” находится семантическая инфраструктура. Google привлекает владельцев сайтов способствовать к развитию их Графа Знаний, определяя наборы тегов для SEO-оптимизации (поисковой оптимизации). Таким образом, множество кураторов музеев сейчас помечают диджитал-коллекции стандартизированными тегами, включающими имя художника и другими сведениями. Когда они делают данный контент доступным для Google, они автоматически добавляют метаданные, описывающие их диджитал-активы (такие как изображения Да Винчи, например), в Граф Знаний Google.
А теперь перейдем к возможностям машинного обучения. Способность Google отвечать на запросы, требующие определенного обоснования (например, “Кто был президентом, когда была холодная война?”) возрастает. Используя технологии распознавания по паттерну, Google уничтожает проблему исчисления семантики каждой фразы и четко определяет конечную цель запроса. Затем он перемещается по Графу Знаний, чтобы найти верные факты и выдать корректный ответ на запрос.
Также Google адаптирует возможности машинного обучения к другим своим приложениям. С помощью функции Smart Reply Gmail может автоматически генерировать ответы на сообщения, основываясь на имеющемся контенте и том, как обычно отвечает пользователь. Google Photo включает визуальный поиск, распознавание объектов на фото и сопоставление их с другими схожими объектами в фотоколлекции, без ручной расстановки тегов.
лаготворный цикл
Google демонстрирует, что итерация является основополагающим элементом в инновациях машинного обучения. Предопределение вещей в сочетании с мощными возможностями распознавания по заданному паттерну могут способствовать генерации еще более полезного пользовательского опыта.
Обогащение контента с помощью расстановки стандартизированных тегов обуславливает рациональную основу для потока информации. Чем больше паттернов заложено в коллекции, тем лучше машины могут их распознавать, генерируя как новый опыт для конечных пользователей, так и возможности для разработчиков.
Захват внимания разработчиков
С точки зрения технологий, гонка за внимание разработчиков наберет новые обороты в ближайшие 5 лет.
Кроме того, IBM продолжает выпускать сервисы по когнитивному вычислению, которые объединяют возможности распознавания различных паттернов. Разработчики приложений теперь могут обратиться к Watson Developer Cloud Services для того, чтобы проанализировать текст, выделить основные концепции, классифицировать естественный язык, определить личностные черты и создать ряд других “мыслительных” функций.
Построение Графа локальных знаний
Но машинное обучение в рамках предприятия требует большего, нежели просто умных алгоритмов и изощренного программирования. В то время как Google инвестировал ресурсы для развития семантической инфраструктуры для лучшего понимания и удовлетворения ожиданий аудитории, построение подобной машины для достижения целей предприятия все еще остается вызовом.
Машинное обучение основано на имеющихся знаниях. За алгоритмами стоят инновационные способы помечать контент и распространять результаты среди аналогично мыслящих организаций. Один ответ — это граф знаний предприятия, который описывает вещи, которые компания ценит и связывает с другими релевантными вещами.
Три шага, чтобы начать
Построение графа знаний начинается с названия вещей логичными именами. Едва ли это революционная идея, но эта деятельность приобретает новый смысл в рамках создания пользовательского опыта нового поколения, который может автоматически определить паттерны и предложить вероятные подходящие решения. Вот три шага к тому, чтобы начать:
1. Построение таксономии бизнеса. Начните с вещей, которые несут ценность. Создайте полезную таксономию, соотносящуюся с функциями и целями бизнеса. Например, у производителей есть список товаров, у издателей — темы, у правительственных служб — миссии и программы.
Изначально необходимы небольшие усилия. Остановитесь на них более подробно и систематизируйте то, что важно для предприятия. Представьте новые таксономии, которые отражают факторы, критичные для вашего бизнеса — процессы, стратегии, конкурентное окружение.
Как только таксономии расширяться, организациями может потребоваться добавить инструмент управления таксономией, чтобы сохранить изложенные условия в систематическом виде.
2. Используйте опыт. Обратите внимание на общую архитектуру информации. Учтите, каким образом ключевые участники процесса — включая покупателей, экспертов области и работников — распределяют релевантные единицы интересов. Идентифицируйте отсутствующие категории. Затем либо добавьте новые условия к существующим таксономиям, либо создайте новые.
Построение снизу-вверх может дополнить нисходящие определения: опыт покупателя должен уравнивать отзыв эксперта в области. Объединяйте краткосрочные условия, возникающие через некодированный текст в таксономии компании.
3. Отображайте взаимосвязи. Определите, как взаимосвязаны категории в разных таксономиях. Отобразите их взаимоотношения. Эти связи станут элементами графа знаний предприятия.
Являясь едва ли единичным усилием в плане разработке, создание графов знаний является интерактивным процессом, построенном благодаря фиксации инсайтов и опытов в течение определенного времени.
Машинное обучение окупается через благотворный цикл обогащения контента. Но организациям необходимо инвестировать “авансом”. Приведение в порядок вашего “информационного дома” — обогащение контента, сохранение таксономий и понимание того, как взаимосвязаны вещи — это неплохой способ начать.
