جستجوی شناختی چیست؟
جستجوی شناختی (Cognitive Search) یک فناوری موتور جستجو است که از هوش مصنوعی (AI) برای یافتن سریع نتایج جستجوی مرتبط و دقیق برای انواع مختلف پرس‌وجوها استفاده می‌کند. شرکت‌های مدرن حجم عظیمی از اطلاعات مانند راهنماها، پرسش‌های متداول، گزارش‌های تحقیقاتی، راهنماهای خدمات مشتری و اسناد منابع انسانی را در سیستم‌های مختلف ذخیره می‌کنند. فناوری‌های جستجوی شناختی پایگاه‌های داده بزرگ و متفاوت را اسکن کرده و داده‌ها را مرتبط می‌کنند تا پاسخ‌هایی برای سؤالات کاربران پیدا کنند. برای مثال، می‌توانید سؤالی مانند «سال گذشته چقدر برای تعمیرات ماشین‌آلات هزینه شده است؟» بپرسید، سپس جستجوی شناختی سؤال را به اسناد مربوطه نگاشت کرده و پاسخ خاصی را بازمی‌گرداند.
مزایای جستجوی شناختی چیست؟
جستجوی شناختی مزایای متعددی دارد که آن را به یک فناوری موتور جستجوی مفید تبدیل می‌کند. مزایای اصلی آن عبارت‌اند از:
درک زبان طبیعی
یک سرویس جستجوی شناختی نتایج دقیق‌تری را بدون نیاز به مشخصات زیاد از کاربر تولید می‌کند. این فناوری می‌تواند با در نظر گرفتن منابع متعدد و خزیدن در داده‌های ساختاریافته و غیرساختاریافته، نتایج جستجوی دقیقی تولید کند. فناوری موتور جستجوی شناختی همچنین هنگام بازگرداندن نتایج، زمینه (context) را درک می‌کند. این فناوری از پردازش زبان طبیعی (NLP) برای تعیین زمینه، الگوها و معنا از زبان انسانی استفاده می‌کند.
افزایش بهره‌وری
جستجوی شناختی اطلاعات را از چندین منبع داده ترکیب کرده و پاسخی جامع به‌عنوان خروجی تولید می‌کند. در جستجوی سنتی مبتنی بر کلمات کلیدی، باید تمام اطلاعات مورد نیاز را در چندین صفحه پیدا کنید. سپس، خودتان باید اطلاعات را بخوانید، تحلیل کنید و خلاصه کنید.
در مقابل، می‌توانید از تابع جستجوی جامع برای دریافت پاسخ از چندین سند به‌طور همزمان استفاده کنید. این امکان دسترسی سریع‌تر به داده‌های مورد نیاز را فراهم می‌کند. این امر می‌تواند بهره‌وری را بهبود بخشیده و فرآیندهای تجاری مرتبط با داده را در سراسر سازمان ساده کند.
شخصی‌سازی نتایج جستجو
جستجوی شناختی از یادگیری ماشین (ML) استفاده می‌کند که نتایج را با گذشت زمان برای کاربران شخصی‌سازی می‌کند. به جای ارائه مداوم اطلاعات یکسان، داده‌ها و الگوهای جستجو را با استفاده جمع‌آوری می‌کند. با ثبت نتایجی که کاربران به احتمال زیاد پس از یک پرس‌وجوی اولیه روی آن کلیک می‌کنند، نتایج بسیار مرتبط را سریع‌تر بهبود می‌بخشد و تولید می‌کند. با گذشت زمان، این فناوری هوشمندتر، دقیق‌تر و مفیدتر می‌شود.
موارد استفاده از جستجوی شناختی چیست؟
جستجوی شناختی از پردازش زبان طبیعی و سایر فناوری‌های هوش مصنوعی برای ارائه جستجوی دقیق استفاده می‌کند. در ادامه برخی از مراحل استفاده‌شده توسط جستجوی شناختی آورده شده است.
دریافت داده
جستجوی شناختی ابتدا به اطلاعاتی برای جستجو نیاز دارد. این فناوری می‌تواند داده‌ها را از اسناد، وب‌سایت‌ها، ایمیل‌ها، مخازن داخلی، راهنماها و هر اطلاعات دیگری که می‌خواهید استفاده کنید، دریافت کند. این فناوری با استفاده از تکنیک‌هایی مانند شناسایی کاراکتر نوری (OCR)، شناسایی موجودیت‌ها و تکنیک‌های NLP، اطلاعات را از منابع استخراج می‌کند.
فرآیند استخراج به گونه‌ای طراحی شده است که جستجوی شناختی بتواند اطلاعات را مانند یک انسان درک کرده و سپس محتوا را فهرست‌بندی کند.
فهرست‌بندی داده
پس از دریافت داده، جستجوی شناختی یک فهرست قابل جستجو از تمام اطلاعات استخراج‌شده‌ای که به آن داده‌اید ایجاد می‌کند. این فناوری فراتر از استفاده از کلمات کلیدی برای برچسب‌گذاری داده‌ها، از فراداده‌ها (metadata)، روابط بین داده‌ها و اطلاعات تکمیلی برای فهرست‌بندی مؤثر تمام اطلاعات استفاده می‌کند.
وقتی کاربر چیزی را جستجو می‌کند، جستجوی شناختی این فهرست‌ها را بررسی می‌کند تا اطلاعات مرتبط را بسیار سریع‌تر پیدا کند.
ورودی کاربر
وقتی کاربر پرس‌وجویی را در جستجوی شناختی وارد می‌کند، این فناوری از NLP برای تجزیه و درک آنچه کاربر می‌پرسد استفاده می‌کند. در جستجوی سنتی مبتنی بر کلمات کلیدی، موتور جستجو کلمات کلیدی را تشخیص داده و داده‌هایی را تولید می‌کند که با آن کلمه کلیدی هم‌راستا باشد.
در مقابل، جستجوی شناختی تلاش می‌کند تا زمینه کامل پرس‌وجو و همچنین عوامل شخصی کاربر مانند ترجیحات او را درک کند. این فناوری از تکنیک‌های NLP مانند تحلیل توکن و تحلیل معنایی برای درک آنچه کاربر می‌خواهد از جستجوی خود به دست آورد، استفاده می‌کند.
جستجو و بازیابی
با استفاده از پرس‌وجوی کاربر، جستجوی شناختی سپس فهرست‌های داده خود را اسکن کرده و اطلاعات مرتبط را در مخازن خود پیدا می‌کند. این فناوری از طریق فهرست‌ها حرکت می‌کند، نزدیک‌ترین همسایگان را جستجو می‌کند و نتایج را لایه به لایه فیلتر می‌کند. هر نتیجه مرتبط یک امتیاز اهمیت (relevance score) دریافت می‌کند. جستجوی شناختی با مرتب‌سازی نتایج بر اساس امتیازها، مرتبط‌ترین اطلاعات را نمایش می‌دهد.
بهبود مستمر
کاربران می‌توانند فیلترها یا مشخصات اضافی را هنگام استفاده از جستجوی شناختی اضافه کنند تا نتایج دقیق‌تری تولید شود. جستجوی شناختی رویکرد خود به پرس‌وجوها را بر اساس تعاملات قبلی پالایش می‌کند.
برای مثال، جستجوی شناختی آنچه کاربران جستجو می‌کنند و ترتیب پرس‌وجوهای جستجوی آن‌ها را ثبت می‌کند. اگر کاربران معمولاً سؤال خاصی را درست پس از یک پرس‌وجو مطرح کنند، جستجوی شناختی به‌صورت پیش‌فعال اطلاعات مربوط به سؤال بعدی را نیز شامل می‌شود.
با گذشت زمان، جستجوی شناختی همچنین درباره احساسات و معنای پشت پرس‌وجوهای جستجوی کاربر بیشتر یاد می‌گیرد. این امر پاسخ‌های مستقیم به پرس‌وجوها را بهبود می‌بخشد.
برای مثال، وقتی کسی سؤال خاصی می‌پرسد، جستجوی شناختی پاسخ خاصی ارائه می‌دهد. در مقابل، یک سؤال عمومی‌تر منجر به پاسخی طولانی‌تر می‌شود. با ثبت مداوم تعاملات و یادگیری از آن‌ها، جستجوی شناختی با گذشت زمان دقیق‌تر شده و اطلاعات مرتبط‌تری ارائه می‌دهد.
جستجوی شناختی چگونه کار می‌کند؟
در ادامه چند فرصت برای استفاده از جستجوی شناختی به نفع خود آورده شده است.
تجربه جستجوی یکپارچه
می‌توانید از جستجوی شناختی برای ایجاد یک تجربه جستجوی یکپارچه استفاده کنید. از آنجا که این فناوری از پردازش زبان طبیعی استفاده می‌کند، می‌توانید با استخراج اطلاعات از چندین مخزن داده ساختاریافته و غیرساختاریافته، پاسخ‌های بسیار دقیق و مفصلی دریافت کنید. با استفاده از چندین منبع و نوع داده، می‌توانید تصمیم‌گیری‌های مبتنی بر داده را آسان‌تر کنید.
برای مثال، شرکت بیوتکنولوژی Gilead Sciences, Inc. از AWS برای جستجوی شناختی استفاده می‌کند. آن‌ها از این فناوری برای سازمان‌دهی داده‌های ساختاریافته و غیرساختاریافته استفاده می‌کنند. اطلاعات از حداکثر نه سیستم سازمانی و اسناد از مخازن دانش استخراج می‌شوند.
جستجوی شناختی وظایف مدیریت داده دستی را برای Gilead به‌طور قابل‌توجهی کاهش داده است. زمان لازم برای جستجوی اطلاعات را حدود ۵۰ درصد کاهش داده است. این امر به تحقیقات ارزشمند، آزمایش و پیشرفت‌های دارویی کمک کرده است.
ربات‌های خودکار
می‌توانید از راه‌حل‌های جستجوی شناختی در ربات‌های خودکار استفاده کنید که به بهبود پشتیبانی مشتری در محل کمک می‌کند. کاربرانی که می‌خواهند بدانند چگونه یک وظیفه یا عملکرد خاص را انجام دهند، می‌توانند به زبان انسانی تایپ کنند و پاسخ سفارشی دریافت کنند. جستجوی شناختی با استخراج اطلاعات از راهنماها، اسناد پشتیبانی و منابع مختلف، کشف دانش را پشتیبانی می‌کند.
برای مثال، Citibot از AWS برای ارائه ابزارهای ارتباطی برای شهروندان و دولت‌های محلی و ایالتی استفاده می‌کند. این شرکت فناوری چت‌بات را با جستجوی شناختی ادغام می‌کند تا مقیاس‌پذیری و اثربخشی تعامل با شهروندان را بهبود بخشد. شهروندان با تعامل با چت‌بات، پاسخ‌هایی که به دنبال آن هستند را به‌سرعت پیدا می‌کنند و زمان انتظار را تا ۹۰ درصد کاهش می‌دهند.
جستجوی آرشیو داده
بسیاری از سازمان‌ها دارای مخازن داده تاریخی با میلیون‌ها سند، تصویر و فایل متنی رونویسی‌شده هستند. جستجوی شناختی می‌تواند اطلاعات موجود در مخزن داده را باز کرده و برای تحلیل و تحقیق خلاصه کند.
برای مثال، وال استریت ژورنال از AWS برای جستجوی شناختی استفاده می‌کند. جستجوی شناختی به تسریع توسعه Talk2020 کمک کرد. Talk2020 یک ابزار جستجوی هوشمند بود که به خوانندگان این نشریه امکان می‌داد اظهارات عمومی کاندیداهای ریاست‌جمهوری را در طول ۳۰ سال به‌سرعت جستجو و تحلیل کنند. این فناوری با کاوش در الگوهای گفتاری و انجام تحلیل‌های متنی، بررسی عمیق مسائل در طول زمان را آسان‌تر می‌کند.
آموزش کارکنان
جستجوی شناختی به هرگونه وظیفه خودکار که کارکنان باید انجام دهند، مانند آموزش یا یادگیری مهارت‌های جدید، کمک می‌کند. این فناوری به‌عنوان یک مرجع متقابل برای کارکنان عمل می‌کند. به جای نیاز به تماس با مدیر برای توضیح نحوه انجام کاری، آن‌ها می‌توانند از جستجوی شناختی سؤال کنند. این استفاده به ساده‌سازی وظایف خودکار کمک کرده و بهره‌وری را افزایش می‌دهد.
برای مثال، Workgrid Software از AWS برای ارائه راه‌حل‌های نرم‌افزاری در یک پلتفرم تجربه کارکنان استفاده می‌کند. این کار باعث می‌شود کار آن‌ها متصل‌تر، کارآمدتر و بهره‌ورتر شود. از طریق جستجوی شناختی، کارکنان می‌توانند محتوای دیجیتال را در پایگاه داده سازمان جستجو کنند. به این ترتیب، می‌توانند پاسخ هر سؤالی که در حین کار پیش می‌آید را پیدا کنند.
هوش مصنوعی مولد چگونه جستجوی شناختی را بهبود می‌بخشد؟
هوش مصنوعی مولد (Generative AI) نوعی هوش مصنوعی است که می‌تواند محتوای جدید و ایده‌هایی از جمله مکالمات، داستان‌ها، تصاویر، ویدئوها و موسیقی ایجاد کند. هوش مصنوعی مولد به ساده‌سازی جستجوی شناختی، درک بهتر نیت کاربر و بهبود کلی پاسخ‌ها کمک می‌کند. در ادامه چند مثال آورده شده است.
تحلیل زمینه
بسیاری از ابزارهای هوش مصنوعی مولد از مدل‌های یادگیری ماشین مبتنی بر ترنسفورمر استفاده می‌کنند. این مدل‌ها دارای شبکه‌های عصبی برای تحلیل داده‌های متنی جهت درک معنای آن‌ها هستند.
مدل‌های هوش مصنوعی مبتنی بر ترنسفورمر برای پردازش و درک زبان طبیعی مفید هستند. از آنجا که آن‌ها کاربر، زمینه داده و نیت کاربر را در نظر می‌گیرند، می‌توانند هدف واقعی پشت یک پرس‌وجو را بهتر درک کنند. با بهبود درک پرس‌وجو، جستجوی شناختی می‌تواند اطلاعات دقیق‌تری را برای بازگرداندن پیدا کند.
خلاصه‌سازی نتایج
هوش مصنوعی مولد می‌تواند متون بزرگ‌تر را به بخش‌های کوچک‌تر خلاصه کند. جستجوی شناختی می‌تواند مرتبط‌ترین بخش‌های معنایی اسناد مختلف را پیدا کند. سپس، می‌تواند از هوش مصنوعی مولد برای ترکیب آن‌ها و بازگرداندن دقیقاً آنچه کاربر می‌خواهد ببیند استفاده کند. هوش مصنوعی مولد همچنین می‌تواند کیفیت یک نتیجه را با درک متنی که بازمی‌گرداند و حذف هرگونه افزونگی به حداکثر برساند.
فیلتر کردن محتوا
هوش مصنوعی مولد می‌تواند نتایج جستجوی شناختی را بر اساس پارامترهای مختلف، از جمله مجوز کاربر، ارتباط پرس‌وجو و ترجیحات کاربر فیلتر کند. هنگام تولید متن نتیجه، می‌تواند اطمینان حاصل کند که فقط از منابعی استفاده می‌کند که کاربر مجاز به دسترسی به آن‌ها است. نتایج مرتبط و مفید باقی می‌مانند بدون اینکه امنیت به خطر بیفتد.
