Data science

การค้นหากับการค้นพบ: แตกต่างกันอย่างไร

Google, Microsoft, et al ยังคงทำให้เสิร์ชเอ็นจิ้นของตนสมบูรณ์แบบต่อไป – แต่การค้นหาบ่อยเกินไปไม่เพียงพอ คำสำคัญในวันนี้คือ “การค้นพบ” – ซึ่งคุณไม่เพียงแค่ค้นหาข้อมูลแต่ข้อมูลค้นหาคุณ ทำไมการค้นพบจึงดีกว่าการค้นหา สาเหตุหนึ่งเป็นเพราะข้อมูลมีมากเกินไป ทั้งทางออนไลน์และภายในองค์กร การค้นหาบางสิ่งไม่ว่าจะผ่านทาง Google หรือใช้สคริปต์ที่เขียนโดยโปรแกรมเมอร์ที่อ่านพื้นที่เก็บข้อมูลขนาดใหญ่ คุณต้องทุ่มเทเวลาและความพยายามอย่างมากเพื่อที่จะค้นหาผลลัพธ์ที่คุณต้องการจากข้อมูลที่ไม่เกี่ยวข้องจำนวนมหาศาล – เพราะบริบทของสิ่งที่คุณกำลังค้นหานั้นไม่ชัดเจนเสมอไป การค้นพบ – ที่ระบบนำเสนอสิ่งที่คุณกำลังมองหาในเชิงรุกตามบริบทของสิ่งที่คุณกำลังทำหรือค้นหา – เป็นเรื่องใหญ่ต่อไปในการใช้ข้อมูล เมื่อคุณเพิ่มบริบทในการค้นหา คุณจะค้นพบ – ระบบที่ส่งข้อมูลที่คุณต้องการโดยอิงจากเอกสารที่คุณกำลังตรวจสอบ คุณอยู่ที่ไหน คุณใช้แอปอะไร ประเภทของอุปกรณ์ที่คุณใช้ (เช่น ขนาดหน้าจอและ เครื่องมือป้อนข้อมูล) ไม่ว่าคุณจะกำลังเคลื่อนที่หรืออยู่กับที่ ฯลฯ ด้วยวิธีนี้ การค้นพบจะช่วยประหยัดเวลา ความพยายาม และทรัพยากรจำนวนมากในการค้นหา การค้นหานั้นใช้ได้สำหรับคำตอบที่รวดเร็วและเจาะจง แต่การค้นหาและสำรวจแนวคิดใหม่ๆ นั้นแย่มาก Discovery เผยให้เห็นโลกที่คุณไม่รู้ว่ามีอยู่จริง การค้นพบใดที่สามารถค้นพบได้ในทางปฏิบัติ การค้นหาและการค้นพบแตกต่างกันอย่างไร วิธีหนึ่งในการค้นหาข้อมูลคือผ่าน “คำแนะนำ” เช่น คำแนะนำจาก Netflix และ Amazon บ่อยครั้งคำแนะนำประเภทนี้เป็นเพียง “คนอื่นๆ ที่ซื้อสิ่งที่คุณซื้อด้วย” แต่เมื่อแมชชีนเลิร์นนิงถูกนำไปใช้กับกระบวนการ ความแม่นยำที่เป็นไปได้ของเอ็นจิ้นการแนะนำนั้นมีมากมาย โดยเอ็นจิ้นจะรู้ว่าถ้าคุณซื้อ หนึ่งผลิตภัณฑ์ (เช่น ฮอทดอก) ที่คุณน่าจะสนใจอย่างอื่น (ฮอทดอกโรล ถ่าน น้ำอัดลมหกแพ็ค ของเล่นชายหาด ฯลฯ) หัวใจของกลไกการค้นพบ/คำแนะนำดังกล่าวคือ “กราฟความรู้” ซึ่งเป็นกราฟข้อมูลที่แสดงความสัมพันธ์ระหว่างหัวข้อต่างๆ เมื่อตรวจสอบบริบทแล้ว เครื่องมือจะ “รู้” ว่าหากคุณซื้อผลิตภัณฑ์ A มีโอกาสดีที่คุณจะต้องใช้ผลิตภัณฑ์ B, C ฯลฯ และจะนำผลลัพธ์เหล่านั้นมาให้คุณ เครื่องมือข่าวกรองธุรกิจ เช่น PowerBI ยังช่วยให้ผู้คนค้นพบสิ่งต่าง ๆ จากข้อมูลจำนวนมากโดยใช้การแสดงภาพเพื่อแสดงรูปแบบที่การค้นหาข้อมูลเพียงอย่างเดียวจะไม่เปิดเผย 'ภาพรวม' ระบบการค้นพบจะตอบสนองต่อบริบทของสถานที่/การใช้งานด้วย ตัวอย่างเช่น หากคุณใช้ชุดหูฟัง AR (เช่น Hololens) เพื่อซ่อมแซมบางอย่าง เช่น ลิฟต์ ระบบจะฉายข้อมูลที่เกี่ยวข้องกับการซ่อมแซมบนหน้าจอโดยไม่ต้องค้นหาโดยเฉพาะ ตัวอย่างและบริบทอื่นๆ จะรวมถึงการสนทนาเกี่ยวกับ Slack หรือแอปพลิเคชันการเชื่อมต่ออื่นๆ: หากคุณมีส่วนร่วมในการอภิปรายทางการตลาดใน “การประชุมของบริษัทที่กำลังจะมีขึ้น” กับลูกค้า และใครบางคนในแผนกอื่นมีการสนทนาในหัวข้อเดียวกัน ระบบการค้นพบอาจ แนะนำให้ตรวจสอบการสนทนานั้น สิ่งเดียวกันนี้สามารถนำไปใช้กับกิจกรรมอื่นๆ ในองค์กร เช่น ทีมขายที่ค้นพบงานที่คนอื่นทำในบัญชีเดียวกันในอดีต วิศวกรที่ได้รับข้อมูลเชิงลึกจากทีมอื่นๆ ที่ทำงานเกี่ยวกับการออกแบบผลิตภัณฑ์ ฝ่ายการเงินได้รับแจ้งเกี่ยวกับระเบียบข้อบังคับล่าสุดเกี่ยวกับเงินเดือนและผลประโยชน์ ฯลฯ แทนที่จะอยู่เฉยๆ และเปิดใช้งานก็ต่อเมื่อถูกเรียก เช่น การค้นหา การค้นพบนั้นเป็นเชิงรุก โดยส่งข้อมูลที่ต้องการเมื่อจำเป็น นั่นคือพลังของการค้นพบ และนั่นคือสิ่งที่การค้นหาควรมีวิวัฒนาการในที่สุด ก้าวไปสู่การค้นพบ: ขั้นตอนที่ใช้ได้จริง วิวัฒนาการนั้นเกิดขึ้นได้อย่างไร? เพื่อ “ค้นพบ” ระบบจะต้องสามารถเข้าใจสิ่งที่เรากำลังมองหาและจะนำไปใช้อย่างไร – ให้ข้อมูลที่เกี่ยวข้องเมื่อมีการเรียกร้องให้ทำ หรือแม้แต่โดยอัตโนมัติ เช่น ในบริบทการซ่อมเครื่องบิน กล่าวถึง. ในการทำเช่นนั้น สามารถใช้กลยุทธ์ได้หลายอย่าง เช่น ปัญญาประดิษฐ์หรือการประมวลผลภาษาธรรมชาติ ตัวอย่างเช่น การวิเคราะห์การใช้ภาษาในเอกสาร การสนทนา สคริปต์ หรือบริบทอื่นใดจะทำให้ระบบ NLP สามารถ “เข้าใจ” ในสิ่งที่กำลังสนทนาอยู่ตามภาษา วลี รูปแบบประโยค ฯลฯ ที่ จุดนั้น ระบบการค้นพบเพียงแค่ต้องแยกวิเคราะห์ผ่านที่เก็บข้อมูลสำหรับข้อมูลที่เกี่ยวข้อง ตามเกณฑ์ที่ระบบ NLP อธิบายว่ามีความเกี่ยวข้อง ระบบ AI ที่ใช้การเรียนรู้ของเครื่องจะทำงานในลักษณะเดียวกัน วิเคราะห์สิ่งที่กำลังสนทนาหรือเขียนเกี่ยวกับ และค้นหารูปแบบที่คล้ายกันของเนื้อหาหรือลิงก์ที่ใช้ก่อนหน้านี้ในเอกสาร ไฟล์ การสนทนา วิดีโอ ฯลฯ อื่นๆ โดยนำเสนอผลลัพธ์ที่เกี่ยวข้องและไม่สนใจส่วนที่เหลือ การหาวิธีการนำทางข้อมูลได้กลายเป็นความท้าทายที่สำคัญในองค์กรในปัจจุบัน จากการศึกษาโดย RingCentral พนักงานสูญเสีย วันทำการต่อปีเพียงแค่สลับไปมาระหว่างแอปพลิเคชัน โฟลเดอร์ หน้าต่าง และฐานข้อมูลเพื่อค้นหาข้อมูลที่พวกเขาทำ ความต้องการ. หากสิ่งต่าง ๆ ดำเนินต่อไปอย่างที่เคยเป็น – โดยบริษัทต่างๆ ที่จัดเก็บข้อมูลมากขึ้น กระจายไปทั่วที่เก็บข้อมูลขนาดใหญ่ขึ้น – คาดว่าตัวเลขนั้นจะเพิ่มขึ้น องค์กรไม่มีทางเลือกจริงๆ ด้วยจำนวนชุดข้อมูลที่จะเพิ่มขึ้นเป็น 175 เซตาไบต์โดย 175 – 61% มากกว่าใน 2018 – การค้นหาข้อมูลจะกลายเป็นความท้าทายที่ยิ่งใหญ่กว่าที่เคย เพื่อให้องค์กรทำงานต่อไปได้ การค้นหาต้องเข้าสู่ขั้นตอนใหม่ของการนำเสนอข้อมูล ก่อนที่ผู้ใช้จะคิดที่จะค้นหา นั่นคือการค้นพบ

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button