Upptäck miljöfaror med hjälp av artificiell intelligens

Källnod: 748179

Sammanfattning

I det här kodmönster kan du lära dig hur du använder IBM® Watson™ Knowledge Studio för att träna en anpassad maskininlärningsmodell för att driva en beslutsprocess för att identifiera farliga situationer.

Beskrivning

Vill du utveckla en applikation eller lösning som kan minska svarstiden för första responders? Det här kodmönster förklarar hur man skapar en webbapp för riskrespons som kan hjälpa till att fatta beslut snabbt. Till exempel, när någon behöver hjälp ringer de 911 och inleder en dialog med en trafikledare. Watson Danger Response-applikationen kontrollerar konversationen för utvalda faror, inklusive bränder och översvämningar. Om faran identifieras som en av dessa larmas berörda myndigheter omedelbart, vilket kan minska svarstiden. Utvecklare kan bygga vidare på denna applikation för att inte bara använda konversationen, utan även inkludera inlägg på sociala medier för att ytterligare validera situationen. Applikationen kan utökas till andra domäner såsom skolor och kontor.

Flöde

Build a Watson Danger response tool flow

  1. Ljudingången fångas upp av Watson Speech to Text-tjänsten.
  2. Efter att ha transkriberats skickas texten till Watson Natural Language Understanding-tjänsten.
  3. Inom tjänsten Watson Natural Language Understanding bearbetar en anpassad maskininlärningsmodell i Watson Knowledge Studio texten för fara.
  4. Faroanalysen från maskininlärningsmodellen skickas sedan till Watson Natural Language Understanding-tjänsten.
  5. Det slutliga resultatet av tjänsten Watson Natural Language Understanding presenteras, och beslutet fattas om att varna myndigheterna.

Instruktioner

Få detaljerade steg i readme fil. Dessa steg visar hur man:

  1. Skapa och konfigurera Watson-tjänsterna.
  2. Distribuera applikationsservern.
  3. Distribuera applikationen lokalt.

Källa: https://developer.ibm.com/patterns/build-a-watson-danger-response-tool-with-custom-nlu-domain-model/

Tidsstämpel:

Mer från IBM-utvecklare