
数据探索领域IBM推新Watson Explorer
12月8日,IBM近日宣布推出拥有出色认知能力的Watson Explorer,它结合了强大的数据探索和内容分析功能。通常,典型的企业只有12%的数据能被有效利用,而企业中丰富的未开发信息则是企业做出明智决策的来源。Watson Explorer为用户提供了他们所需要的信息和分析能力,以帮助他们获得更好绩效和实时成果。Watson Explorer已经帮助数百家用户实现了数据关联,构建出了以信息为中心的应用,并提高了决策的质量和速度。在此次发布中,Watson Explorer推出的核心认知组件,有助于企业高效利用自然语言能力及数据探索功能,在结构化和非结构化数据中发现宝贵的商业信息。
Watson Explorer基于认知能力的数据探索功能,可以为用户提供全方位的关联性信息视图,帮助其获得更深层次的洞察。这些洞察能够展示正在发生的状况以及发生的原因。传统的搜索方案缺少背景、趋势和关系信息,相比之下,Watson Explorer可以帮助专业人士更快速找到并理解关键信息,便于其更有效地开展工作,利用从非结构化内容中获得的洞察实现业务成果的提升。Watson Explorer的新特性还包括先进的内容分析能力,帮助用户理解结构化和非结构化的数据。Watson Explorer将基于云的服务和企业内部信息连接起来,成为企业开启Watson认知之旅的第一步。
处于当今的商业环境中,企业需要应对不断扩大的数据量,并比以往更快地做出高质量决策。但是,很多企业的数据和应用仍然处于高度封闭状态,缺乏信息共享的能力,阻碍了绩效的提升。以一家全球零售商的客户服务代表为例,他们每年会接到成百上千的客户服务电话,每接到一位客户的电话,客户服务代表就必须与超过10个不同的系统打交道。这要求他们在多项不同应用之间进行多次搜索,然后人为的将头脑中的信息串联起来,从而对客户做出响应。这的确是一项艰巨的任务,客服代表一方面在为客户创造优良的体验,另一方面他却接受着一场考验,因为他必须快速而正确的完成寻找、组织、分析和关联信息的一些列活动。
认知探索提高了用户利用信息的能力,可以让他们做出更明智的、更有依据的决策。在此过程中,认知探索提供信息并从相关来源出发对信息进行理解,简直就像人类的思考过程一样。例如,借助于Watson Explorer,客服代表可以利用自然语言提问,并即时检索到相关内容。这些内容是由Watson Explorer熟练地从各种数据源摘取而来,既包括结构化数据源中的内容,也包括非结构化数据源中的内容。凭借强大的自然语言处理,Watson Explorer的内容分析功能能够帮助企业汲取客户意见、消息、社交媒体、法律文件和研究报告等的内含。
IBM Watson集团副总裁Steve Gold表示 :“数据探索是帮助企业发现有价值信息、做出关键的业务决策的重要步骤,IBM一直在不断寻找各种方法使企业员工表现更出色,最终服务于企业赢利。Watson Explorer通过赋予企业各个层面认知能力,让他们能够实时地获取深藏于结构化和非结构化数据中的有效信息。”
认知让探索能力全面升级
探索可以使用户发现新的可能。但是,在复杂的异构环境中进行探索需要克服一系列的挑战,如处理分散于各种来源中的海量数据,以及使用有限的能力理解数据间的关系。为了加快探索速度,Watson Explorer把大量内部和外部的信息连接在一起,通过分析,找到内容间潜在的关系或模式,以帮助用户更好的理解信息。
l 探索 :Watson Explorer把企业中来自不同系统的内容和数据结合到一起,再根据用户的角色和当前的行为把信息合理的呈现出来。这有助于用户大幅减少信息检索时间,提高工作效率。在当今信息爆炸的环境中,无论是协助客户、为新产品制定营销战略,还是调查某个安全漏洞,重要的任务很难通过单一来源的信息完成。Watson Explorer能够为用户的台式机或移动设备带来广泛的数据分析和相关的认知洞察,为企业决策增添信心。
l 分析:对于许多企业而言,不断增长的非结构化数据预示着尚未开发的商机。文档、电子邮件、呼叫中心文字记录以及社交媒体都能够为洞察提供支持。如果通过适当的工具对这些内容加以收集和分析,便可以帮助企业提高业务绩效。Watson Explorer的内容分析功能可以帮助用户利用自然语言处理技术发现结构化信息中的趋势、模式和关联性,从而在短时间内获得洞察。同时,这些洞察可以以全方位视图的形式实时提供给用户。
l 解读:Watson Explorer 整合了探索、分析和认知能力,全面提升了IBM Watson Developer Cloud(开发者云)服务的使用体验。随着新功能在Watson Developer Cloud中的开放,Watson Explorer用户能够接触并使用到更多的新型功能。搭载于Watson Explorer上的可用服务包括:问题解答、用户建模、关系提取、消息共振、概念扩展、语言识别和机器翻译。
通过为一线员工提供更全面的信息视图,Watson Explorer帮助众多像丰田金融服务公司这样的用户最大限度地抓住商机。丰田金融服务公司企业经理 Farouk Ferchichi表示:“面对超过400万的客户,我们意识到了一流服务的重要性,并致力于积极维持客户满意度。我们已经把Watson Explorer提供给我们呼叫中心的客服人员,使他们获得包含自助业绩报告在内的360度信息视图。Watson Explorer使客服人员明确了具体的绩效指标,以扬长避短,不断改进服务。”
目前Watson Explorer包括两个版本:
企业版:提供了跨多个数据源的搜索和360度信息应用,并集成Watson Developer Cloud的认知服务,帮助企业增强、扩展和加速获得专业知识。
高级版:包括企业版的所有功能,另还配备高级内容挖掘和分析功能,帮助企业进一步汇总和分析数据,并使海量非结构化内容可视化,从而获得新的洞察。
IBM Watson: 开拓计算新时代
IBM Watson预示着一个新的计算时代的来临。这一时代中,用户可以与应用和系统进行更自然的互动、获取更多的大数据洞察知识。
行业的变革催生了创新,这些创新是帮助Watson立足于新计算时代前沿的动力。“认知系统带来决策改变”的这一说法,则进一步佐证了Watson的前沿地位。IBM一直致力于为诸如银行、医疗、保险、零售和教育类的客户提供云产品和服务。
2014年1月,IBM宣布成立全新业务部门沃森集团(IBM Watson Group),致力于发展基于云交付的认知能力,并推动其商业化。这一举措标志着IBM策略的转变,即像交付软件、服务和应用转型。这些新型的软件、服务和应用具备思考、学习提升和从海量数据中获得洞察的能力。
IBM已经为沃森集团注资十亿美元,用于技术的研发和市场投放。这其中包括1亿美元的风险投资,用于建设IBM新型公司生态圈和开发基于Watson的认知应用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10