Forbedre Watson Discovery-resultater ved hjælp af API-baseret relevanstræning

Resumé

Udviklere bruger IBM Watson Discovery-tjenesten til hurtigt at tilføje en kognitiv, søge- og indholdsanalysemaskine til applikationer. Med denne motor kan de identificere mønstre, tendenser og indsigt fra ustrukturerede data, der kan drive bedre beslutningstagning. Nogle gange vil du improvisere søgeresultaterne ved at give flere træningsdetaljer. Relevanstræning er en funktion i Watson Discovery, der giver yderligere træning for mere præcise søgeresultater. Dette kodemønster viser, hvordan du kan bruge API'er til relevanstræning til at improvisere søgeresultater i Watson Discovery.

Beskrivelse

Udviklere bruger IBM Watson Discovery-tjenesten til hurtigt at tilføje en kognitiv, søge- og indholdsanalysemaskine til applikationer. Med denne motor kan de identificere mønstre, tendenser og indsigt fra ustrukturerede data, der driver bedre beslutningstagning. Med Watson Discovery kan du indtage (konvertere, berige, rense og normalisere), gemme og forespørge på data for at udtrække handlingsorienteret indsigt. For at udføre søgninger og forespørgsler har du brug for indhold, der er injiceret og forbliver i samlinger. Du kan lære mere om udvikling af applikationer med Watson Discovery ved at studere kognitiv opdagelsesreferencearkitektur.

Relevanstræning er en kraftfuld funktion i Watson Discovery, der kan forbedre søgenøjagtigheden, hvis den rigtige tilgang tages. Du kan træne Watson Discovery til at forbedre relevansen af ​​forespørgselsresultater for din særlige organisation eller fagområde. Når du forsyner en Watson Discovery-instans med træningsdata, bruger tjenesten Watsons maskinlæringsteknikker til at finde signaler i dit indhold og dine spørgsmål. Tjenesten omarrangerer derefter forespørgselsresultater for at vise de mest relevante resultater øverst. Efterhånden som du tilføjer flere træningsdata, bliver serviceforekomsten mere nøjagtig og sofistikeret i rækkefølgen af ​​de resultater, den returnerer.

Relevanstræning er valgfri. Hvis resultaterne af dine forespørgsler opfylder dine behov, er det ikke nødvendigt med yderligere uddannelse. For en oversigt over bygningsbrug til træning, se blogindlægget "Sådan får du mest muligt ud af relevanstræning".

Relevanstræning i Watson Discovery kan udføres på to måder:

Hvis din Watson Discovery-instans har et ret stort antal spørgsmål, som der skal udføres relevanstræning for, så kan værktøjsmetoden tage meget længere tid sammenlignet med den programmatiske (ved hjælp af API'er) metode. Med API'er behøver du heller ikke at være online forbundet til Watson Discovery-instansen gennem en browser.

Dette kodemønster viser, hvordan relevanstræning kan opnås ved hjælp af API'er.

Flow

1. Klientapplikationen sender en naturlig sprogforespørgsel for hver af de forespørgsler, der kræver relevanstræning.
2. Watson Discovery returnerer et sæt dokumenter for hver af de naturlige sprogforespørgsler.
3. Klientapplikationen gemmer forespørgsler og tilsvarende dokumenter i en TSV-fil på en lokal maskine.
4. Brugeren tildeler relevansscore til dokumenter og gemmer filen.
5. Applikationen får adgang til filen med opdaterede relevansscore.
6. Klientapplikationen kalder API'er til opdatering af Watson Discovery-samlingstræning ved hjælp af opdaterede relevansscores.
7. Kunden spørger igen for at få forbedrede resultater.

Instruktioner

Find de detaljerede trin til dette mønster i readme fil. Trinene viser dig, hvordan du:

1. Opret en Discovery-tjenesteinstans på IBM Cloud.
2. Opret et projekt i Watson Discovery.
3. Anmærk dine dokumenter.
4. Forbered koden til at køre relevanstrænings-API'er.
5. Opnå relevanstræning for et stort sæt spørgsmål.

Kilde: https://developer.ibm.com/patterns/improve-discovery-results-using-programmatic-relevancy-training/