La tecnología de aprendizaje automático está avanzando a pasos agigantados y ofrece a las empresas el potencial de ofrecer experiencias en línea cada vez más personalizadas y específicas para el usuario.
El aprendizaje automático busca descubrir patrones significativos dentro de grandes cantidades de datos. Junto con las continuas innovaciones en la computación en la nube y el análisis de big data, esta tecnología podría cambiar radicalmente la forma en que las empresas administran el contenido digital para producir experiencias innovadoras en línea.
Se está produciendo un cambio importante en los resultados y las intenciones. Mientras que la Web tradicional es en gran medida un entorno de publicación sencillo, las experiencias digitales en línea incorporan cada vez más una variedad de canales para interacciones más ricas y personalizadas. Pero proporcionar estas experiencias requiere una arquitectura de información sólida y una comprensión de cómo las cosas relevantes están interconectadas.
Más allá del Gráfico de conocimiento de Google
Considere cómo Google genera respuestas a preguntas. Durante los últimos años, Google se ha basado en su Gráfico de conocimiento, un esfuerzo a gran escala para recopilar información sobre objetos en el mundo digital y mapear las relaciones entre las cosas.
Solicite información sobre «Leonardo da Vinci» y Google mostrará un panel junto a la lista de resultados de búsqueda que resume su información biográfica básica. Se incluyen enlaces en miniatura a algunas de sus imágenes más importantes, así como a varios artistas importantes que otras personas han buscado.
Detrás de escena hay una infraestructura semántica. Google atrae a los propietarios de sitios web a contribuir a su Gráfico de conocimiento mediante la definición de conjuntos de etiquetas para la optimización de motores de búsqueda (SEO). Por lo tanto, muchos curadores de museos de arte ahora marcan sus colecciones digitales con etiquetas estandarizadas, proporcionando el nombre del artista y otros atributos. Cuando hacen que este contenido sea accesible para Google, automáticamente agregan los metadatos que describen sus activos digitales (como sus imágenes da Vinci) al Gráfico de conocimiento.
Ahora vienen las capacidades de aprendizaje automático. Google es cada vez más capaz de responder preguntas que requieren cierto razonamiento, como «¿Quién era presidente cuando los Angelinos ganaron la Serie Mundial?» Usando tecnologías de reconocimiento de patrones, Google desglosa la consulta para calcular la semántica de cada frase y discernir la intención. Luego recorre el Gráfico de conocimiento para encontrar los hechos correctos y sugerir una respuesta relevante.
Google también está adaptando sus capacidades de aprendizaje automático a otras aplicaciones de su cartera. Con Smart Reply, Gmail puede generar automáticamente mensajes de respuesta, basados en el contenido y la respuesta probable de un receptor. Google Photo incluye búsqueda visual, identificando una cosa en una imagen y comparándola con cosas comparables en una colección de fotos, sin etiquetado manual.
Un circulo virtuoso
Google demuestra que existe un círculo virtuoso que subyace a las innovaciones de aprendizaje automático. Los elementos predefinidos, junto con las potentes capacidades de reconocimiento de patrones, pueden producir experiencias en línea cada vez más útiles.
El enriquecimiento de contenido, a través del etiquetado estandarizado, agrega una base inteligente a un flujo de información. Cuantos más patrones haya dentro de una colección, más podrá reconocerlos una máquina inteligente, brindando nuevas experiencias para los usuarios finales, así como oportunidades para los desarrolladores.
Captando la atención de los desarrolladores
Desde una perspectiva tecnológica, la carrera por la atención de los desarrolladores empresariales se intensificó en 2015. Google, Facebook, IBM, Apple, Microsoft y Amazon han puesto al menos algunos de sus algoritmos de aprendizaje automático a disposición de desarrolladores externos, a menudo como kits de herramientas de código abierto. .
Además, IBM continúa lanzando servicios de computación cognitiva que incorporan varias capacidades de reconocimiento de patrones. Los desarrolladores de aplicaciones ahora pueden llamar a Watson Developer Cloud Services para analizar texto, extraer conceptos, clasificar lenguaje natural, identificar rasgos de personalidad, transformar voz en texto y texto en voz, encontrar cosas dentro de imágenes y realizar una serie de otras funciones similares a las del pensamiento.
Construyendo gráficos de conocimiento local
Pero el aprendizaje automático dentro de una empresa requiere más que algoritmos inteligentes y programación sofisticada. Si bien Google ha invertido recursos en infraestructura semántica para satisfacer las expectativas de los consumidores en la Web pública, construir una máquina inteligente para una empresa sigue siendo un desafío.
El aprendizaje automático se basa en conocimientos previos. Más allá de los algoritmos, hay formas innovadoras de etiquetar contenido y distribuir resultados entre organizaciones afines. Una respuesta son los gráficos de conocimiento empresarial que describen las cosas que las empresas valoran y mapean las conexiones entre los elementos relevantes.
Tres pasos para comenzar
La representación gráfica del conocimiento comienza nombrando las cosas de manera significativa. Apenas una idea revolucionaria, esta actividad adquiere un nuevo sentido de propósito para las experiencias en línea de próxima generación, que pueden detectar patrones automáticamente y proponer soluciones aparentemente inteligentes. Aquí hay tres pasos para comenzar:
1. Crear taxonomías comerciales. Comience con cosas que generen valor. Cree taxonomías útiles relacionadas con las funciones y los resultados empresariales. Por ejemplo, los fabricantes tienen listas de productos, los editores tienen temas y las agencias gubernamentales tienen misiones y programas.
Muchas empresas ya definen una o dos taxonomías al etiquetar contenido para un sistema de gestión de contenido web (WCM). Inicialmente, estos son esfuerzos básicos. Amplíelas y cataloga lo que es importante para la empresa. Introducir nuevas taxonomías que capturen factores comerciales críticos, como procesos, estrategias y el entorno competitivo.
A medida que las taxonomías se expanden, las organizaciones pueden necesitar agregar una herramienta de gestión de taxonomías para mantener conjuntos de términos de manera sistemática.
2. Capturar experiencia. Preste atención a la arquitectura de información general. Considere cómo las partes interesadas clave, incluidos los clientes, los expertos en la materia y los empleados, clasifican los elementos de interés relevantes. Identifica las categorías que faltan. Luego, agregue los términos a las taxonomías existentes o defina otras nuevas.
Diseñar desde abajo hacia arriba puede aumentar las definiciones de arriba hacia abajo: las experiencias de los clientes deben equilibrar la experiencia en la materia. Incorpore términos ad hoc generados a través de palabras clave de texto libre en taxonomías empresariales.
3. Mapear las interrelaciones. Identificar cómo se interrelacionan las categorías en diferentes taxonomías. Mapee las relaciones. Estas conexiones se convierten en elementos de un gráfico de conocimiento empresarial.
Apenas un esfuerzo de diseño de una sola vez, la creación de gráficos de conocimiento dentro de una empresa es un proceso iterativo, construido mediante la captura de conocimientos y experiencias a lo largo del tiempo.
El aprendizaje automático da sus frutos a través del círculo virtuoso para el enriquecimiento del contenido. Pero las organizaciones deben realizar las inversiones iniciales. Poner en orden su casa de información, enriquecer el contenido, mantener las taxonomías y comprender cómo se interrelacionan las cosas, es un buen lugar para comenzar.
