Introduksjon

En av de beste måtene å forstå IBMs Watson er å handle på en sykkeljakke.

Det kan virke som en merkelig uttalelse, men det er sant. The North Face har tappet kraften til Watson for å hjelpe deg med å finne riktig vårdragt, og så har flere andre selskaper.

IBM har bygget opp Watson i en kjendis som har "dukket opp" på Jeopardy og i nyere reklamefilmer. Likevel er dens naturlige språkbehandlingsevne et godt eksempel på kognitiv databehandling for enhver IT-arbeidstaker eller leder som forsøker å forstå fremtiden for industrien. Ifølge IBM er 80% av alle data i verden ustrukturerte data - med andre ord spredt snippets av fakta overalt.

Hver av eksemplene som er detaljert i denne lysbildeserien, er en god 'state of the industry' showcase. Uten "Powered by Watson" evnen til demonstrasjon, ville det være for mye ustrukturert data og ikke nok veiledning. De fleste chatbots for shopping, kundesupport og teknisk rådgivning vil bli drevet av lignende teknologi som er ment å sile gjennom en database og skyen.

Før du forklarer hvert eksempel, er det viktig å først gi et raskt sammendrag av IBM Watson og hvorfor det til og med eksisterer. Alle selskaper har noen form for strukturert data. Dette kan være katalogen over ansattsposter i HR eller bildene som brukes til et nettsted. Du kan forutsi med en viss grad av nøyaktighet hvordan lagringsbehovet ditt vil endre seg over tid, basert på bruksmønsteret de siste årene.

For eksempel kan du forutsi at du skal ansette et visst antall ansatte og tildele en mengde lagringsplass for hver enkelt. Det gjør budsjetteringsplaner enklere, sikkerhetsinfrastruktur mindre av et mareritt, og unngår unødvendig kaos.

Men ustrukturert data? Det er mye mer av en viltvoksende web. Det kan være millioner og millioner av dokumenter spredt over et nettverk. Teknisk er IBM Watson en tjeneste som kjører på 90 servere med 2880 prosessorkjerner som kjører samtidig. Den har 16TB RAM. Likevel er kjernefunksjonen relatert til IBMs DeepQA-teknologi, hovedsakelig et spørsmål og svarsystem. Et menneske kan stille et spørsmål, og IBM Watson finner svaret.

Så i denne artikkelen vil vi dekke fem av de beste eksemplene på hvordan dette fungerer.

  • Se også på hvordan Sirs skapere jobber med en enda kraftigere AI
Forrige Side 1 av 6 Neste Forrige Side 1 av 6 Neste

1. Lag en tilpasset ordre for Bear Naked Granola

Det er riktig, IBM Watson kan hjelpe deg med å "designe" din granola. Selv om det kan virke fritt, bruker merket Watson til å analysere tusenvis og tusenvis av mulige ingredienskombinasjoner. Igjen er dette et godt eksempel på å analysere ustrukturert data.

Hvis du velger en ingrediens som Blackberry Powder, vil Watson avgjøre at tørket granatäpple Arils og Red Bean Crisps passer fint sammen. Du kan fjerne en ingrediens (som Blackberry Powder) og Watson vil foreslå et alternativ (som koriander). Alternativet til denne utrolige intelligensen ville være å trykke på en ekspertkokk som allerede vet hvilke oppskrifter som passer best for granola.

Forrige Side 2 av 6 Neste Forrige Side 2 av 6 Neste

2. Handle for The North Face klær

Folk kjøper ikke på klær. De handler for klær som passer opp med en aktivitet, for eksempel fotturer eller strømtur. Likevel er mengden ustrukturerte data knyttet til eventyrsporter spredt over hele verden. De fleste butikkene holder ikke en fjellsyklingekspert på personalet til enhver tid. Derfor bruker The North Face Watson til å veilede kunder til riktig produkt.

Du begynner med å skrive inn en setning som "Sykling i London i mars" for å sparke ting. Du skriver inn om du er mann eller kvinne. Watson kan spørre om du regner med regn eller snø, og hvis du foretrekker noen tilpassede alternativer. Deretter ser du et utvalg av produkter, ikke en klesvaskliste over størrelser og farger, men heller klær som samsvarer med din kommende aktivitet. Det tar den 'ustrukturerte' databasen på et e-handelsnettsted og gjør det til en mer human-sentrisk opplevelse.

Forrige Side 3 av 6 Neste Forrige Side 3 av 6 Neste

3. Finn en flaske vin med Wine4.me app

Å velge en vin er mer kompleks enn du tror. Du vil kanskje like en rødvin, men er det plysj, myk, tannisk og søt? Har det et snev av jordbær? Er det perfumert akkurat? Selv for vinkjennere vet du kanskje ikke alle de riktige betingelsene, men du vet hvilke smaker du liker.

Appen Wine4.me bruker IBM Watson til å se gjennom en fortegnelse over produkter som samsvarer med smakpreferanser. Du trenger ikke å bruke de riktige vilkårene, eller til og med vite merkene og etikettene, du trenger bare å indikere hvilke smaker du liker. Det er et annet godt eksempel på at AI har den harde delen av å søke gjennom hundrevis av vinalternativer som leter etter preferanser, i stedet for å forvente at shopper har all kompetanse.

Forrige Side 4 av 6 Neste Forrige Side 4 av 6 Neste

4. Spør helsespørsmål til CafeWell Concierge

Velvære på arbeidsplassen er et alvorlig problem. Men de fleste av oss kan ikke besøke legen hver uke eller få konstante velværeundersøkelser. CafeWell Concierge app anvender IBM Watson slik at brukerne kan skrive inn spørsmål om kosthold, ernæring og trening. For eksempel kan du spørre om hvilke oppskrifter som fungerer best når du prøver å gå ned i vekt eller hvordan trening påvirker å sove.

Appen er et annet godt eksempel på å presentere informasjon som er viktig og viktig for en kunde, men bruker vanligvis tiden til sykepleiere og leger. Også mange av svarene på helsespørsmål er ganske rutinemessige.

Forrige Side 5 av 6 Neste Forrige Side 5 av 6 Neste

5. Spør Hilton Connie concierge om bussruter

Et siste eksempel på håndtering av ustrukturert data - en som kan være det beste eksempelet på hvordan IBM Watson kan hjelpe - gjelder en Hilton concierge robot kalt Connie. Hilton installerte denne roboten som en test på Hilton McLean-hotellet i Virginia over i USA. Gjester kan gå opp og stille spørsmål om bussruter eller sportsarrangementer, og Connie vil søke gjennom dataene for å finne svaret - i sekunder.

I dette tilfellet lærer Watson fra hver interaksjon, å vite hvilke spørsmål som blir bedt om mest og inkludere innsikt fra tidligere diskusjoner med gjester i nye svar. Tanken er ikke å erstatte menneskelige arbeidere, men å gi dem mer meningsfulle oppgaver enn å gjenta det samme svaret hele dagen om hvordan du kommer til flyplassen.

Forrige Side 6 av 6 Neste Forrige Side 6 av 6 Neste
aksjer