IBM Watson ofrece una gran capacidad y tiene la ventaja de ser un producto real respaldado por una compañía global. Lo mismo ocurre, por ejemplo, con el Ford Mustang. Acabo de hacer una búsqueda rápida en Google “Ford Mustang Aftermarket” y obtuve 41 millones de resultados (en .46 segundos por cierto 🙂). Señale que hay formas de agregar características interesantes a cualquier cosa.
Entonces, a la pregunta:
Los desarrolladores usan otras tecnologías de PNL como Stanford NLP (busque Stanford coreNLP) o DARPA NLP para aumentar o reemplazar el Watson NLP. Las tuberías de PNL tienen fortalezas y debilidades que pueden explotarse para diferentes usos. Y la PNL a menudo se complementa con RegEx confiable y antiguo, que puede ser realmente útil en conjuntos de idiomas especializados donde hay palabras clave fácilmente identificables y semánticamente ricas.
- ¿Cuál es la explicación de la causa de la explosión y desaparición del gradiente de red neuronal recurrente RNN?
- Cómo desarrollar software que se afinará
- En el modelado de datos, ¿podría ser una buena idea crear algorítmicamente una característica grande para activar las meta características actuales antes del modelado?
- Cómo entrenar a cualquier clasificador basado en características de texto en un documento EMR
- ¿Qué es la selección de variables en bloques cuando se hace un análisis de regresión?
Además, he visto soluciones creadas que utilizan la capacidad DeepQA de Watson, y luego almacenan preguntas y respuestas predigeridas en una base de datos externa de Solr: es una buena opción porque es gratuita, proporciona muchos métodos de acceso abierto, proporciona una fuerte búsqueda basada en texto Y es gratis. Además, es gratis.
El estilo parece ser que los usuarios empresariales que desean aprovechar la capacidad cognitiva para mejorar el compromiso del cliente o las operaciones de backoffice usan Watson como un producto más o menos listo para usar. Los emprendedores que están construyendo servicios de valor agregado con una gran cantidad de IP incorporadas aumentan las API y las capacidades de Watson para que coincidan con su valor de apoyo; en este caso, la deuda técnica adicional se ve compensada por el valor de mercado de lo que están construyendo. Los científicos de datos podrían usar las API de Alchemy de Watson junto con el código de aprendizaje automático de código abierto (piense en proyectos como NuPIC o Weka) para la ingesta de datos especialmente diseñada.