인지 검색

인지 검색은 인공지능(AI) 기술을 사용하여 사용자의 검색 쿼리를 세분화하고 여러 개의 분산된 데이터 세트에서 관련 정보를 추출하는 차세대 기업용 검색입니다. 인지 검색 기능은 기존 검색 엔진의 기능을 뛰어넘어 수많은 데이터 소스를 하나로 모으는 동시에 자동 태그 지정 및 개인화 기능도 제공합니다. 이는 조직의 직원이 업무 환경에 관련성이 있고 필요한 정보를 발견하고 액세스하는 방식을 크게 개선할 수 있는 잠재력을 가지고 있습니다.

인지 검색은 인덱싱 기술과 자연어 처리 기능 및 알고리즘과 같은 강력한 인공 지능 기술을 결합하여 다양한 데이터 소스와 유형에 걸쳐 확장할 수 있기 때문에 이전에 출시된 검색 제품과 다릅니다. 또한 개발자는 약물 연구 도구나 고객 포털과 같은 비즈니스 프로세스 애플리케이션에 내장할 수 있는 검색 애플리케이션을 구축할 수 있습니다.

조직이 인지 검색을 통해 얻을 수 있는 주요 이점에는 지식 발견에 미치는 영향, 즉 사용자가 데이터에서 유용한 정보를 추출할 수 있는 능력이 포함됩니다. 예를 들어, 인지 검색은 추출된 정보의 관련성을 높이고 질의 응답의 효율성을 높여 직원의 생산성을 높이고 더 나은 서비스를 제공할 수 있도록 합니다.

인지 검색의 중요성과 이점

조직 내에서 사용되는 데이터의 다양성과 양이 지속적으로 증가함에 따라 키워드 기반 검색과 기존 기업 검색은 더 이상 적합하지 않게 되었습니다. 두 가지 접근 방식 모두 사용자가 필요한 정보를 찾기 위해 분류해야 하는 무관하거나 불완전한 결과를 반환함으로써 검색 프로세스와 직원 생산성에 해를 끼칩니다.

인지 검색을 통해 인공 지능 기술을 도입함으로써 기업 검색은 콘텐츠에서 높은 수준의 의미를 추출하고 사용자 검색을 학습하여 점점 더 관련성 있고 완전한 결과를 제공할 수 있습니다. 인지 검색의 전반적인 이점은 다음과 같습니다.

• 생산성을 극대화하세요.단일 검색 기능을 사용하면 여러 애플리케이션을 전환할 필요가 없고 자격 증명을 여러 번 다시 입력하는 등의 작업에 낭비되는 시간을 없앨 수 있습니다. 더욱이, 데이터 도구를 통합하면 조직이 비즈니스 프로세스를 간소화할 수 있습니다.
• 직원 경험과 참여를 개선하세요.시간 낭비를 없애고 생산성을 높여 직원 충성도를 높이세요. 개인화된 추천을 제공하는 머신 러닝(ML) 알고리즘은 사용자가 관련 데이터를 더 빠르게 찾을 수 있도록 돕고, 인지 검색의 유연성은 개인화를 통해 사용자 경험을 개선합니다. 직원들의 검색 경험이 향상됨에 따라 이러한 도구를 계속 사용할 가능성이 높아집니다.
• 운영 비용을 절감합니다.생산성을 극대화하면 정보를 수집하고 지식을 발견하는 데 필요한 시간과 자원이 줄어들어 조직의 운영 비용이 절감됩니다. 이는 대량의 데이터를 처리하는 의료 및 법률 서비스 산업에 특히 유용합니다.

회사가 성장하고 새로운 고객을 확보함에 따라 방대한 양의 데이터를 실행하고 분석해야 할 필요성이 커집니다. 어떤 회사가 매일 수천 명의 신규 고객을 유치한다면, 데이터가 기하급수적으로 늘어나 새로운 정보를 따라잡는 게 사실상 불가능해질 것입니다. 인지 검색을 통해 회사의 다양한 부서에서 사용할 수 있는 끊임없이 증가하는 데이터 세트를 해독할 수 있습니다.

인지 검색은 어떻게 작동하나요?

기업 검색에 사용되는 디자인 요소는 인지 검색의 기초를 형성합니다. 즉, 조직에서는 인지 검색을 구현할 때 정보 기술(IT) 부서를 완전히 재구축할 필요가 없습니다. 그러면 AI 기술이 이 기반을 바탕으로 구축되어 사용 가능한 모든 기업 데이터 소스에서 관련 정보를 찾습니다.

NLP는 이메일, 문서, 시장 조사, 비디오 및 오디오 녹음에 있는 비정형 데이터의 의미를 이해하는 데 사용됩니다. 머신 러닝 알고리즘은 결과의 관련성을 지속적으로 향상시킵니다. 인지 검색에 사용되는 가장 일반적인 머신 러닝 알고리즘은 다음과 같습니다.

• 클러스터링: 이는 유사성을 기준으로 데이터 하위 집합을 그룹화하는 비지도 학습 알고리즘입니다. 사용자가 전체 검색 인덱스에서 검색을 실행하고 싶지 않을 때 클러스터링을 사용할 수 있습니다. 목표는 각 클러스터 내의 특정 문서 그룹으로 검색을 제한하는 것입니다.
• 분류: 미리 레이블이 지정된 데이터로 구성된 학습 세트를 사용하여 새 데이터의 레이블을 예측하는 모델을 만드는 지도 학습 알고리즘입니다.
• 반품: 이는 입력 변수와 출력 변수 간의 관계를 사용하여 데이터에서 연속적인 수치 값을 예측하는 또 다른 지도 학습 알고리즘입니다.
• 추천하다: 이는 일반적으로 다양한 기본 알고리즘을 결합하여 사용자에게 잠재적으로 유용한 콘텐츠를 제공하는 추천 엔진을 생성합니다. 콘텐츠 기반 추천이라고도 하며, 사용자의 관심사와 문서의 설명 및 속성 간의 관계를 기반으로 개인화된 추천을 제공합니다.

이러한 ML 알고리즘 외에도 합성 데이터 샘플 간의 상호 작용 행렬을 구축하는 유사성이라는 계산 집약적 프로세스가 있습니다.

참고문헌

【1】https://www.techtarget.com/searchenterpriseai/definition/cognitive-search