Forbedre Watson Discovery-resultater ved hjelp av API-basert relevansopplæring

Oppsummering

Utviklere bruker IBM Watson Discovery-tjenesten for raskt å legge til en kognitiv, søke- og innholdsanalysemotor til applikasjoner. Med denne motoren kan de identifisere mønstre, trender og innsikt fra ustrukturerte data som kan drive bedre beslutningstaking. Noen ganger vil du improvisere søkeresultatene ved å gi flere opplæringsdetaljer. Relevanstrening er en funksjon i Watson Discovery som gir ekstra opplæring for mer nøyaktige søkeresultater. Dette kodemønsteret viser hvordan du kan bruke API-er for relevanstrening til å improvisere søkeresultater i Watson Discovery.

Beskrivelse

Utviklere bruker IBM Watson Discovery-tjenesten for raskt å legge til en kognitiv, søke- og innholdsanalysemotor til applikasjoner. Med denne motoren kan de identifisere mønstre, trender og innsikt fra ustrukturerte data som driver bedre beslutningstaking. Med Watson Discovery kan du innta (konvertere, berike, rense og normalisere), lagre og forespørre data for å trekke ut handlingskraftig innsikt. For å utføre søk og spørringer trenger du innhold som injiseres og vedvares i samlinger. Du kan lære mer om å utvikle applikasjoner med Watson Discovery ved å studere kognitiv oppdagelsesreferansearkitektur.

Relevanstrening er en kraftig funksjon i Watson Discovery som kan forbedre søkenøyaktigheten hvis den riktige tilnærmingen tas. Du kan lære opp Watson Discovery for å forbedre relevansen av søkeresultater for din spesifikke organisasjon eller fagområde. Når du gir en Watson Discovery-forekomst med opplæringsdata, bruker tjenesten maskinlæring Watson-teknikker for å finne signaler i innholdet og spørsmålene dine. Tjenesten omorganiserer deretter søkeresultatene for å vise de mest relevante resultatene øverst. Etter hvert som du legger til flere treningsdata, blir tjenesteforekomsten mer nøyaktig og sofistikert i rekkefølgen av resultatene den returnerer.

Relevansopplæring er valgfritt. Hvis resultatene av forespørslene dine oppfyller dine behov, er ingen ytterligere opplæring nødvendig. For en oversikt over bygningsbrukstilfeller for opplæring, se blogginnlegget "Hvordan få mest mulig ut av relevanstrening».

Relevanstrening i Watson Discovery kan gjøres på to måter:

Hvis Watson Discovery-forekomsten din har et ganske stort antall spørsmål som relevanstrening må utføres for, kan verktøymetoden ta mye lengre tid sammenlignet med den programmatiske (ved hjelp av APIer) metoden. Med API-er trenger du heller ikke å være online koblet til Watson Discovery-forekomsten gjennom en nettleser.

Dette kodemønsteret viser hvordan relevanstrening kan oppnås ved hjelp av APIer.

Flow

1. Klientapplikasjonen sender en naturlig språkspørring for hvert av spørringene som trenger relevanstrening.
2. Watson Discovery returnerer et sett med dokumenter for hver av spørringene på naturlig språk.
3. Klientapplikasjonen lagrer spørringer og tilsvarende dokumenter i en TSV-fil på en lokal maskin.
4. Brukeren tildeler relevanspoeng til dokumenter og lagrer filen.
5. Applikasjonen får tilgang til filen med oppdaterte relevanspoeng.
6. Klientapplikasjonen påkaller APIer for å oppdatere Watson Discovery-samlingstrening ved å bruke oppdaterte relevanspoeng.
7. Klienten spør igjen for å få forbedrede resultater.

Instruksjoner

Finn de detaljerte trinnene for dette mønsteret i readme fil. Trinnene viser deg hvordan du gjør:

1. Opprett en Discovery-tjenesteforekomst på IBM Cloud.
2. Lag et prosjekt i Watson Discovery.
3. Kommenter dokumentene dine.
4. Forbered koden for å kjøre API-er for relevant opplæring.
5. Oppnå relevanstrening for et stort sett med spørsmål.

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