NLP使增强数据发现在分析中成为现实

Bi和Analytics供应商如何获得NLP搜索错误

某些深度学习技巧用于改进NLP搜索的是卷积神经网络(CNNs)。这些网络通常与图像分析和循环神经网络有关，它们处理顺序数据。

“对于发现新类别或卷积神经网络的特定思想和卷积神经网络有经常发生的神经网络，用于发现新的类别或分解一定数量的维度。”Gartner高级总监Analyst eRick Brethenoux说。“那些技术没有取代其他技术，例如符号技术。他们互相补充。”

符号技术是规则驱动的，而更现代技术是统计的。

Gartner期待那个使用图分析将增长未来，因为企业需要在复杂数据上提出复杂的问题。

“具有知识图形，表示通过具有级别的丰富连接链接的实体网络形式的信息。因此，本文链接到该数据，此数据链接到该数据，此数据来自该数据。- 它还使用该申请或那个报告，“Brethenoux说。“除了加速搜索外，它还提供了很多好处，我们可以在现在使用它的方式使用它具有大量节点和实体的方式开始变得非常有趣。”

可以使用知识图发现并显示以结构化和非结构化数据的卷埋入的关系。像许多其他方法一样，这不是新的。事实上，Brethenoux从1995年开始，旧的Altavista搜索引擎使用了知识图。谷歌现在使用知识图形。

上下文是增强数据发现的关键

上下文对于呈现相关的搜索结果非常重要。事情没那么简单作为了解搜索中使用的单词的上下文。还有搜索本身的背景：谁在问？我们如何了解该人（角色/人物）？试图实现的人是什么？

语义可以根据你使用的语用学而变化。语用学不仅仅是语境，也是意图。“也许我想看销售数据，因为我想提升我的销售人员——或者我想贬低那个销售人员，以便我得到提升。”

必须有时推断出来的意图;它并不总是明确。例如，人们键入或说并不总是代表他们实际意味着什么。此外，不同的人可能会使用不同的单词来传达相同的思想。

另一种类型的上下文是可以指示行为的模式或模式的搜索历史。然后可以使用它们来加速搜索结果的传递。这有时会反映在已缓存在本地内存中的类型的搜索结果中。更持久的结果需要更大的远程内存，最有可能在云中。

还有一些有趣的背景是时间和地点——搜索结果应该能够适应用户在特定时间、特定地点所做的事情。他们开车去上班吗?如果是这样，那么搜索结果应该是一个语音响应。如果你在火车上或餐厅里看移动设备，一个简单的视觉和简短的描述就可以了。如果你在工作中使用笔记本电脑，更复杂的演示文稿可能更合适。

德勤咨询(Deloitte Consulting)负责人工智能的董事总经理比纳•阿曼纳特(Beena Ammanath)表示:“选择软件并让它工作，从来都不容易。”“它是一台机器，你需要训练它。”

自然语言搜索工具前方的道路

将自然语言理解和自然语言生成结合起来，将产生动态的、双向的人机交流，这种交流将以多种形式出现:文本、语音和图像。在文本和语音场景中，BI或分析解决方案可以与用户进行对话，以呈现所需的结果——无论数据相关和查询相关的搜索复杂性如何。

数据可视化也将变得更加互动，如果不是沉浸式，沿着线条母猪从长方形的行业。该产品专注于沉浸式界面，而不是专门的BI或分析。然而，它的概念可能会对人们如何与数据互动产生连锁反应，从而增强数据发现。

Brethenoux补充道:“我认为商业智能的未来将不再是商业智能。“别再让我到处寻找东西了。当我需要的时候，告诉我这条信息。有我想知道的事就来找我。”