ما المقصود بالبحث المعرفي؟
البحث المعرفي هو إحدى تقنيات محركات البحث التي تستخدم الذكاء الاصطناعي (AI) للعثور بسرعة على نتائج بحث ذات صلة ودقيقة لأنواع مختلفة من الاستعلامات. تخزن المؤسسات العصرية معلوماتٍ ضخمةً، مثل الكتيبات والأدلة والأسئلة الشائعة وتقارير الأبحاث وأدلة خدمة العملاء ووثائق الموارد البشرية، في أنظمة مختلفة. تبحث تقنيات البحث المعرفي في قواعد البيانات الكبيرة عن المعلومات المتباينة وتربط بين البيانات للتوصّل إلى إجابات لأسئلة المستخدمين. على سبيل المثال، يُمكنك طرح سؤال مثل "ما مقدار ما تم إنفاقه على إصلاح الآلات في العام الماضي؟" عندئذٍ، يقوم البحث المعرفي بتعيين السؤال إلى المستندات ذات الصلة ويعود بإجابة محددة.
ما مزايا البحث المعرفي؟
للبحث المعرفي مزايا كثيرة تجعله من تقنيات محركات البحث المفيدة. فيما يلي مجموعة من مزايا البحث المعرفي الرئيسية.
يفهم اللغة الطبيعية
تعطي خدمة البحث المعرفي نتائج أكثر دقةً بدون أن تحصل من المستخدم على مواصفات كثيرة. يمكن للبحث المعرفي أن يعطي نتائج بحث دقيقة عن طريق النظر في العديد من المصادر والبحث في البيانات المهيكلة والبيانات غير المهيكلة. تفهم تقنية محرك البحث المعرفي أيضًا السياق عندما تُرجع النتائج. يستخدم البحث المعرفي معالجة اللغة الطبيعية (NLP) في تحديد السياق والأنماط والمعنى من اللغة البشرية.
القراءة حول معالجة اللغة الطبيعية »
يعزز الإنتاجية
يجمع البحث المعرفي المعلومات من العديد من مصادر البيانات ويُنتج استجابةً شاملةً كمخرجات. في البحث التقليدي عن الكلمات الأساسية، تضطر إلى تحديد مكان جميع المعلومات المطلوبة والتي توجد في صفحات متعددة. بعد ذلك، تقرأ المعلومات وتحللها وتلخصها بنفسك.
في المقابل، يُمكنك استخدام وظيفة البحث الشامل للحصول على إجابات من عدة مستندات في وقتٍ واحد. يُمكنك الوصول إلى البيانات التي تحتاجها بشكل أسرع. يؤدي ذلك إلى تحسين الإنتاجية وتبسيط عمليات الأعمال ذات الصلة بالبيانات داخل مؤسستك.
يخصص نتائج البحث
يستخدم البحث المعرفي تعلّم الآلة (ML)، الذي يخصص النتائج للمستخدمين مع مرور الوقت. بدلاً من أن يستمر البحث المعرفي في إخراج نفس المعلومات، فإنه يجمع البيانات وأنماط البحث عند استخدامه. من خلال تسجيل النتائج التي من المحتمل أن ينقر عليها المستخدمون بعد الاستعلام الأولي، فإن البحث المعرفي يُحسّن ويعطي نتائج ذات صلة كبيرة بشكل أسرع. مع مرور الوقت، يُصبح البحث المعرفي أكثر ذكاءً وأكثر دقةً وأكثر نفعًا.
ما بعض حالات استخدام البحث المعرفي؟
يستخدم البحث المعرفي معالجة اللغة الطبيعية وتقنيات الذكاء الاصطناعي الأخرى لإجراء عمليات بحث دقيقة. فيما يلي بعض الخطوات التي يستخدمها البحث المعرفي.
استيعاب البيانات
يحتاج البحث المعرفي أولاً إلى معلوماتٍ يبحث فيها. يُمكن للبحث المعرفي استيعاب البيانات من المستندات ومواقع الويب ورسائل البريد الإلكتروني والمستودعات الداخلية والأدلة وأي معلومات أخرى تريد استخدامها. يستخرج المعلومات من الموارد باستخدام تقنيات الاستخراج مثل التعرف البصري على الحروف (OCR)، والتعرّف على الكيانات، وتقنيات معالجة اللغة الطبيعية (NLP).
تهدف عملية الاستخراج إلى تمكين البحث المعرفي من فهم المعلومات مثل العنصر البشري وحينئذٍ يقوم بفهرسة المحتوى.
اقرأ عن تقنية التعرف البصري على الحروف (OCR) »
فهرسة البيانات
بعد استيعاب البيانات، يقوم البحث المعرفي بإنشاء فهرس قابل للبحث يضم جميع المعلومات المستخرجة التي أعطيتها له. بالإضافة إلى استخدام الكلمات الأساسية في تصنيف البيانات، فإنه يستخدم البيانات الوصفية والعلاقات بين البيانات والمعلومات التكميلية لفهرسة جميع المعلومات بشكل فعّال.
عندما يبحث المستخدم عن شيء ما، يرجع البحث المعرفي إلى هذه الفهارس للعثور على المعلومات ذات الصلة بشكل أسرع.
إدخال المستخدم
عندما يكتب المستخدم استعلامًا في البحث المعرفي، فإنه يستخدم معالجة اللغة الطبيعية (NLP) لتحليل ما يطلبه المستخدم وفهمه. في البحث التقليدي عن الكلمات الأساسية، يتعرف محرك البحث على الكلمات الأساسية ويُنتج بيانات تتوافق مع تلك الكلمة الأساسية.
في المقابل، يحاول البحث المعرفي فهم السياق الكامل للاستعلام، بالإضافة إلى عوامل المستخدم الشخصية مثل تفضيلاته. إنه يجمع بين تقنيات معالجة اللغة الطبيعية (NLP) مثل تحليل الرموز المميزة والتحليل الدلالي لفهم ما يريد المستخدم الحصول عليه من بحثه.
البحث والاسترجاع
باستخدام استعلام المستخدم، يقوم البحث المعرفي بعد ذلك بفحص فهارس البيانات الخاصة به والعثور على المعلومات ذات الصلة داخل مستودعاته. إنه يتحرك عبر الفهارس، ويبحث عن أقرب المتجاورات، وتقوم بتصفية النتائج طبقةً تلو الأخرى. كل نتيجة ذات صلة يُعطى لها درجة ملاءمة. يعرض البحث المعرفي المعلومات الأكثر صلةً من خلال فرز النتائج وفقًا لدرجات الملاءمة.
التحسين المستمر
يُمكن للمستخدمين إضافة عوامل تصفية أو مواصفات إضافية عند استخدام البحث المعرفي للمساعدة في إخراج نتائج أكثر تحديدًا. يُحسّن البحث المعرفي نهجه في الاستعلامات استنادًا إلى التفاعلات السابقة.
على سبيل المثال، يُسجل البحث المعرفي ما يبحث عنه المستخدمون وترتيب استعلامات البحث الخاصة بهم. إذا اعتاد المستخدمون طرح سؤال معين بعد الاستعلام مباشرةً، فإن البحث المعرفي يقوم بشكل استباقي بتضمين معلوماتٍ حول سؤال المتابعة أيضًا.
مع مرور الوقت، يتعلم البحث المعرفي أيضًا المزيد حول المشاعر والمعاني التي وراء استعلامات البحث التي يجريها المستخدم. يعمل هذا على تحسين استجاباته المباشرة على الاستعلامات.
على سبيل المثال، عندما يطرح شخص ما سؤالًا محددًا، يقدم البحث المعرفي إجابةً محددةً. بدلاً من ذلك، يؤدي السؤال الأعم إلى إجابةً أطول. من خلال التسجيل المستمر للتفاعلات والتعلّم منها، يُصبح البحث المعرفي أكثر دقةً ويوفر معلوماتٍ أكثر صلةً مع مرور الوقت.
ما آلية عمل البحث المعرفي؟
فيما يلي بعض الفرص لاستخدام البحث المعرفي لصالحك.
تجربة بحث موحدة
يُمكنك استخدام البحث المعرفي في إنشاء تجربة بحث موحدة. نظرًا لأنه يستخدم معالجة اللغة الطبيعية، يمكنك الحصول على إجابات مفصلة ودقيقة للغاية عن طريق سحب المعلومات من العديد من مستودعات البيانات المهيكلة والبيانات غير المهيكلة. من خلال الاعتماد على العديد من المصادر وأنواع البيانات، يُمكنك اتخاذ قرارات قائمة على البيانات بسهولة أكبر.
على سبيل المثال، تقوم شركة التكنولوجيا الحيوية Gilead Sciences, Inc. باستخدام AWS في البحث المعرفي. يستخدمون التكنولوجيا في تنظيم كل من البيانات المهيكلة والبيانات غير المهيكلة. يتم الحصول على المعلومات من أنظمة مؤسسة يصل عددها إلى تسعة أنظمة ومن المستندات الموجودة في مستودعات المعرفة.
أدى البحث المعرفي إلى انخفاض كبير في مهام إدارة البيانات اليدوية التي تجريها شركة Gilead. انخفض مقدار الوقت الذي يستغرقه البحث عن المعلومات بنسبة 50 بالمائة تقريبًا. وقد أدى ذلك إلى أبحاث وتجارب قيّمة وإنجازات عظيمة في مجال المستحضرات الصيدلانية.
روبوتات الخدمة الذاتية
يُمكنك استخدام حلول البحث المعرفي في روبوتات الخدمة الذاتية، ما يساعد في تحسين دعم العملاء في الموقع. يُمكن للمستخدمين الذين يرغبون في معرفة كيفية تنفيذ مهمة أو وظيفة معينة الكتابة بلغة بشرية والحصول على استجابة مخصصة. يدعم البحث المعرفي اكتشاف المعرفة عن طريق سحب المعلومات من العديد من الأدلة ووثائق الدعم والموارد.
على سبيل المثال، تقوم منصة Citibot باستخدام AWS لتوفير أدوات الاتصال للمواطنين وحكوماتهم المحلية وحكومات الولايات. تدمج هذه المنصة تقنية روبوتات الدردشة في البحث المعرفي لتحسين قابلية التوسع وفعالية المشاركة مع المكونات. يجد المواطنون الإجابات التي يبحثون عنها بسرعة من خلال استخدام روبوت الدردشة، ما يقلل أوقات الانتظار بنسبة تصل إلى 90 بالمائة.
البحث في أرشيف البيانات
تمتلك العديد من المؤسسات مخازن بيانات تاريخية تحتوي على ملايين المستندات والصور والملفات النصية المنسوخة. يمكن للبحث المعرفي الاستفادة من المعلومات الموجودة في مخزن البيانات وتلخيصها للتحليل والبحث.
على سبيل المثال، تستخدم صحيفة وول ستريت جورنال AWS لتنفيذ البحث المعرفي. ساعد البحث المعرفي في تسريع تطوير الأداة Talk2020. كانت الأداة Talk2020 أداة بحث ذكية ساعدت قرّاء المنشورات في البحث بسرعة وتحليل 30 عامًا من البيانات العامة التي أدلى بها المرشحون للرئاسة. تسهل هذه التقنية الفحص العميق في المشكلات بمرور الوقت من خلال استكشاف أنماط الكلام وإجراء تحليلات النصوص.
تأهيل الموظفين
يساعد البحث المعرفي في أي مهام خدمة ذاتية يحتاج الموظفون إلى تنفيذها، مثل التأهيل أو تعلّم مهارات جديدة. يعمل كمرجع للموظفين. بدلاً من الاضطرار إلى الاتصال بمدير لشرح كيفية القيام بشيء ما، يُمكنهم طلب البحث المعرفي. يساعد هذا الاستخدام في تبسيط مهام الخدمة الذاتية وزيادة الإنتاجية.
على سبيل المثال، تقوم شركة Workgrid Software باستخدام AWS لتوفير حلول برمجية في منصة تضم تجارب الموظفين. هذا يجعل عملهم أكثر ارتباطًا وكفاءةً وإنتاجيةً. من خلال البحث المعرفي، يُمكن للموظفين الاستعلام عن المحتوى الرقمي في قاعدة البيانات الخاصة بالمؤسسة. وبهذه الطريقة، يُمكنهم العثور على إجابات لأي أسئلة تطرأ أثناء عملهم.
كيف يعمل الذكاء الاصطناعي المولّد على تحسين البحث المعرفي؟
الذكاء الاصطناعي المولّد (generative AI) هو أحد أنواع الذكاء الاصطناعي الذي يمكنه إنشاء محتوى جديد وأفكار مبتكرة، ويدخل في ذلك المحادثات والقصص والصور ومقاطع الفيديو والموسيقى. يساعد الذكاء الاصطناعي المولّد في تبسيط البحث المعرفي، وفهم نية المستخدم بشكل أفضل، وتحسين الاستجابات العامة. نقدم فيما يلي بعض الأمثلة.
القراءة حول الذكاء الاصطناعي المولّد »
تحليل السياق
تستخدم العديد من أدوات الذكاء الاصطناعي المولّد نماذج تعلّم الآلة القائمة على المحولات. تتضمن هذه النماذج شبكاتٍ عصبونيةً لتحليل البيانات النصية لفهم معناها.
تعد نماذج الذكاء الاصطناعي القائمة على المحولات مفيدةً في معالجة اللغة الطبيعية وفهمها. عندما تدرس هذه النماذج المستخدم وسياق البيانات ونية المستخدم، يُمكنها تحسين فهمها للغرض الحقيقي من الاستعلام. من خلال تحسين فهم الاستعلام، يتوصّل البحث المعرفي إلى معلومات أكثر دقة ليُرجعها في النتائج.
ملخص النتائج
يمكن للذكاء الاصطناعي المولّد تلخيص النصوص الأكبر في نصوص أصغر. يمكن للبحث المعرفي العثور على الأجزاء الأكثر صلة من الناحية الدلالية من مستندات مختلفة. بعد ذلك، يستخدم الذكاء الاصطناعي المولّد في دمج تلك الأجزاء وإرجاع ما يريد المستخدم رؤيته بالضبط. يُمكن للذكاء الاصطناعي المولّد أيضًا تحسين جودة النتيجة من خلال فهم النص الذي يُرجعه وإزالة أي تكرارات.
تصفية المحتوى
يمكن للذكاء الاصطناعي المولّد تصفية نتائج البحث المعرفي حسب معايير مختلفة، من بينها تفويض المستخدم، وملاءمة الاستعلامات، وتفضيل المستخدم. عند إنشاء نص النتيجة، يُمكنه التأكد من أنه يستخدم فقط الموارد التي يتمتع المستخدم بصلاحية الوصول إليها. تظل النتائج ذات صلةً ومفيدةً بدون المساس بالأمان.
كيف تساعدك AWS في تحسين حلول البحث المعرفي المؤسسي؟
تقدم Amazon Web Services (AWS) خدمة Amazon Kendra بوصفها أحد حلول البحث المعرفي.
إن Amazon Kendra هي خدمة بحث معرفي مُدارة بالكامل عالية الدقة وسهلة الاستخدام مدعومة بتعلّم الآلة. يُمكن للمطورين استخدامها في إضافة إمكانات البحث إلى تطبيقاتك. هذا يعني أن المستخدمين النهائيين يمكنهم اكتشاف المعلومات ذات الصلة المخزنة داخل كم هائل من المحتوى المنتشر عبر شركتك.
فيما يلي بعض الطرق التي يُمكنك من خلالها الاستفادة من Amazon Kendra:
- الحصول على تجربة بحث موحدة عبر مستودعات المحتويات المهيكلة وغير المهيكلة.
- تقديم استجابات للاستعلامات باستخدام أدوات مدعومة بالذكاء الاصطناعي.
- الوصول إلى إمكانات تصنيف الإجابات المُدارة بالكامل التي تساعد في تحسين دقة الإجابات.
- تحسين الاستجابات بناءً على معاييرك، بالإضافة إلى سمات أخرى مثل سلوك المستخدم وحداثة المحتوى
ابدأ اليوم استخدام البحث المعرفي على AWS من خلال إنشاء حساب.
