Mi experiencia con el rendimiento de las capacidades NLP de IBM Watson fue mala. ¿Como estuvo el tuyo?

Estoy de acuerdo

Pero debe comprender el contexto en el que trabaja Watson. IBM ha creado Watson como una plataforma cognitiva genérica que puede hacer frente a todo tipo de problemas para todo tipo de dominios: salud, comercio minorista, seguros, etc. En virtud de esto, se ha vuelto muy amplio y moderadamente bueno en muchas cosas. pero no supera a todos los demás es un campo.

Hacemos mucho reconocimiento de imágenes y PNL para los minoristas y la mayoría de los clientes que trabajan con nosotros ya han probado Watson o Google Vision y no han logrado lo que realmente querían. Debido a nuestro enfoque en el sector minorista, podemos extraer información increíblemente profunda basada en PNL y reconocimiento de imágenes.

Cuando un cliente minorista intenta usar Google Vision para identificar las características de un vestido, le dice que se parece a un vestido y algunos detalles básicos. La mayoría de las empresas ya saben cuál es la naturaleza del contenido que le transmiten. Quieren saber algo más profundo que ‘esto parece un vestido’. Cosas como, ¿este vestido tiene un aspecto angustiado? ¿Se puede usar en verano? ¿Es un vestido sin tirantes? ¿Tiene volantes?

Esto es lo que intentamos extraer de las imágenes:

Del mismo modo, para PNL: la extracción genérica puede ser muy frustrante. Watson puede decirle todos los temas, entidades y nombres propios que detecta, pero sin contexto, no es útil.

Digamos que quería analizar muchas reseñas de productos con Watson. Es probable que recoja cosas que no son lo suficientemente profundas y muy genéricas. Mientras que, sacamos algunas ideas sorprendentes de las revisiones para automatizar la comercialización para los minoristas. Mira esto:

Desglosamos las revisiones de productos en múltiples áreas de interés: cómo lo usan los clientes, para qué lo usan, cuáles son algunos de los otros productos con los que lo usan, qué les gusta del rendimiento del producto.

Incluso dentro de Retail, este modelo cambia de mezcladores a zapatos:

¿Imagina si mostramos filtros de actividad para cafeteras? Nuestros clientes estarán realmente decepcionados.

Y ese es el desafío con Watson. Está construido como una plataforma que tiene capacidades fundamentales y le permite construir soluciones personalizadas en la parte superior. Si intenta utilizar las capacidades genéricas, se decepcionará.

Espero que esto ayude.

Depende de cómo se defina “malo”. He realizado pruebas exhaustivas de los servicios de conversación de Watson con wit.ai, api.ai y luis.ai. Los resultados fueron bastante similares. Todos esos servicios son generales y requieren grandes conjuntos de datos para trabajar. Incluso con 1000 expresiones estaba en un rango de precisión del 80-85%.

Construyo un modelo específico de dominio: es mucho mejor para la conversación sobre un tema específico, pero lo más probable es que falle en otros temas.

Nunca probé el clasificador de Watson: es más fácil construir uno en Python que usarlo como servicio.