La cognitive search, o investigación cognitiva, es un tipo particular de búsqueda de información a partir de conjuntos de datos que aprovecha las habilidades del Aprendizaje automático y de la inteligencia artificial para acelerar el proceso y aumentar la relevancia del resultado.
La investigación cognitiva va más allá de las capacidades normales de los motores de búsqueda porque integra múltiples fuentes de datos, incluso heterogéneas y desestructuradas, y es capaz de comprender la intención del usuario, los modelos y las relaciones que existen en los diferentes conjuntos de datos.
La cognitive search combina técnicas de indexación y habilidades de inteligencia artificial, como el procesamiento del lenguaje natural y el procesamiento de imágenes, para acceder a diferentes datos en diferentes formatos (texto, vídeo, imágenes, audio), analizarlos mediante el aprendizaje automático, encontrar correlaciones en los diferentes conjuntos de datos, reconstruir el contexto del que extraer los datos y responder a la búsqueda de una manera cada vez más refinada a medida que aumenta la base de datos.
La relevancia de la respuesta en la búsqueda viene dada por la capacidad de analizar los diferentes significados que puede asumir una palabra, así como el contexto en el que se inserta: la búsqueda cognitiva permite mejorar el procesamiento contextual y, por lo tanto, la eficacia de responder a la consulta.
Índice de temas
Cómo funciona la cognitive search y cómo se utilizan los datos
La cognitive search obtiene información contextual a partir de datos conceptuales: es decir, a partir de datos ya procesados e insertados en correlaciones por la inteligencia artificial (datos conceptuales), consigue deducir los elementos contextuales más adecuados para responder a la pregunta del usuario.
En los motores de búsqueda, el software que analiza, recopila e indexa automáticamente el contenido de una base de datos (o red) se denomina rastreadores. Los rastreadores analizan los diversos datos disponibles, exploran otros nuevos y deciden si los añaden (y cómo) al índice de búsqueda ya creado.
Cada rastreador, o indexador, tiene una canalización, es decir, diferentes componentes de software con un flujo de operaciones bien establecido: en la investigación cognitiva, la canalización del indexador está asociada a diferentes habilidades, denominadas habilidades cognitivas, capaces de implementar la capacidad de extraer información y enriquecer el conjunto de datos, a fin de hacer que los contenidos del índice de búsqueda o del archivo de información sean más localizables, hasta habilidades de búsqueda personalizadas para dominios de investigación específicos.
Las habilidades utilizadas en la cognitive search son todas de la inteligencia artificial: procesamiento del lenguaje natural, reconocimiento de entidades, detección del lenguaje y modificación de un texto, extracción de frases clave, detección de información personal, procesamiento de imágenes, reconocimiento óptico de caracteres (OCR), reconocimiento facial e interpretación de imágenes.
Estas habilidades permiten mapear datos “no estructurados”, como imágenes, audios y los propios textos, con campos y filtros que permiten búsquedas: así, la indexación y, por lo tanto, la cognitive search serán mucho más apropiadas.
Los indexadores de la cognitive search cruzan los datos de origen y el índice a través de estos “mapas”, con la actualización de los datos: dependiendo de si se ejecutan por encargo o de forma automática, hablamos de un modelo de “atracción” o “inserción”.
Un caso en el que se utilizan varios indexadores, necesarios para múltiples fuentes de datos con cambios en los parámetros de ejecución, planificación o mapeo de campos, es la escalabilidad horizontal entre varias áreas de búsqueda: múltiples copias del mismo índice de búsqueda en diferentes áreas, cada una conectada a un indexador que extrae de la misma fuente de datos para sincronizar la búsqueda. O la indexación paralela de conjuntos de datos muy grandes, que requiere una estrategia ad hoc en la que cada indexador opera en un subconjunto particular del conjunto de datos.
¿Cuáles son las ventajas de la investigación cognitiva y dónde se aplica?
La cognitive search mejora la relevancia y la velocidad de las búsquedas en las bases de datos. No es casualidad que la investigación cognitiva forme parte de la minería del conocimiento, la “extracción de conocimiento” gracias a la IA: la comprensión profunda y la exploración inmediata de la información contenida en los conjuntos de datos permiten identificar detalles ocultos, encontrar relaciones a gran escala y personalizar las consultas en función de los contextos.
De hecho, la investigación cognitiva apoya la organización de la base de conocimiento empresarial porque, independientemente del tipo de documento u objeto que contenga la información, correlaciona y unifica toda la información relativa a un área en particular, y crea resúmenes relacionados con un dominio específico. Ya no es necesario saber de antemano dónde se almacenan los datos, en qué formato ni qué hacer para acceder a ellos.
El aumento del conocimiento relacionado con los procesos y la mejora de la eficiencia a la hora de responder a las preguntas tienen como consecuencia la simplificación de las actividades y la optimización del rendimiento empresarial: la rapidez en la obtención de información útil garantiza una mayor satisfacción del usuario, tanto del personal como del cliente.
Un sistema de investigación de alto rendimiento reduce significativamente el tiempo y el esfuerzo dedicados a la búsqueda de información: además de eliminar el “tiempo de inactividad” de la espera, la cognitive search agiliza todos los procedimientos de gestión de documentos y organización de archivos, con una reducción general de los costes operativos. Por lo tanto, aumenta el tiempo “liberado” para gestionar actividades con un alto valor añadido.
Los sistemas de cognitive search, también basados en el aprendizaje automático, están diseñados para mejorar y adaptarse continuamente a los cambios en los datos introducidos: una función de búsqueda única, sin muchas aplicaciones, que se actualiza automáticamente.
En el sector bancario, la investigación cognitiva ayuda a crear listas instantáneas y de 360 grados de clientes, carteras, objetivos contractuales y rendimiento, así como a tener un acceso unificado a la información sobre fuentes de datos internas y externas y, posteriormente, a identificar rápidamente las oportunidades de ventas adicionales y cruzadas.
En el sector manufacturero, la investigación cognitiva permite examinar las fuentes de datos, estructuradas y no, y aplicar modelos analíticos avanzados para encontrar correlaciones significativas que mejoren la gestión de activos, el control de la producción, la seguridad empresarial, el control de calidad, la supervisión de los procesos y, por último, pero no menos importante, el mantenimiento predictivo. De hecho, el acceso y el procesamiento de conjuntos de datos de diferentes fuentes hace que los algoritmos no se basen solo en el historial para hacer pronósticos, sino que se enriquezcan con datos de los registros de técnicos, mantenedores, correos electrónicos e imágenes.
Por último, pero no por ello menos importante, la investigación cognitiva se utiliza marketing para mejorar las actividades de regeneración, convertir campañas e identificar estrategias y acciones, ya que ayuda a comprender cómo se mueven los clientes en los diferentes puntos de contacto con el producto/servicio. Una de las aplicaciones de la investigación cognitiva es el chatbot, muy extendido en las primeras interacciones en el servicio de atención al cliente.
Fuente: Bigdata4innovation.it, Network Digital360
Artículo publicado originalmente en 20 Ago 2024
