論文の概要: Cognitive Computing to Optimize IT Services
- arxiv url: http://arxiv.org/abs/2201.02737v1
- Date: Tue, 28 Dec 2021 09:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-16 17:54:10.680679
- Title: Cognitive Computing to Optimize IT Services
- Title（参考訳）: ITサービスを最適化するための認知コンピューティング
- Authors: Abbas Raza Ali
- Abstract要約: 認知的ソリューションは、構造化されたテキストと非構造化されたテキストの両方の深い分析によって、従来の構造化されたデータ分析を越えている。
実験では,提案手法により年額チケットの18～25%を削減した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, the challenges of maintaining a healthy IT operational
environment have been addressed by proactively analyzing IT Service Desk
tickets, customer satisfaction surveys, and social media data. A Cognitive
solution goes beyond the traditional structured data analysis by deep analyses
of both structured and unstructured text. The salient features of the proposed
platform include language identification, translation, hierarchical extraction
of the most frequently occurring topics, entities and their relationships, text
summarization, sentiments, and knowledge extraction from the unstructured text
using Natural Language Processing techniques. Moreover, the insights from
unstructured text combined with structured data allow the development of
various classification, segmentation, and time-series forecasting use-cases on
the incident, problem, and change datasets. Further, the text and predictive
insights together with raw data are used for visualization and exploration of
actionable insights on a rich and interactive dashboard. However, it is hard
not only to find these insights using traditional structured data analysis but
it might also take a very long time to discover them, especially while dealing
with a massive amount of unstructured data. By taking action on these insights,
organizations can benefit from a significant reduction of ticket volume,
reduced operational costs, and increased customer satisfaction. In various
experiments, on average, upto 18-25% of yearly ticket volume has been reduced
using the proposed approach.
- Abstract（参考訳）: 本稿では,ITサービスデスクチケット,顧客満足度調査,ソーシャルメディアデータなどを積極的に分析することで,健全なIT運用環境を維持する上での課題に対処する。
認知的ソリューションは、構造化テキストと非構造化テキストの両方の深い分析によって、従来の構造化データ分析を超える。
提案するプラットフォームには,言語識別,翻訳,最も頻繁に発生する話題の階層的抽出,エンティティとその関係,テキスト要約,感情,および自然言語処理技術を用いた非構造化テキストからの知識抽出などが含まれる。
さらに、構造化データと組み合わされた非構造化テキストからの洞察は、インシデント、問題、変更データセットに関する様々な分類、セグメンテーション、時系列予測のユースケースの開発を可能にする。
さらに、テキストおよび予測的洞察と生データを用いて、リッチでインタラクティブなダッシュボード上での実行可能な洞察の可視化と探索を行う。
しかし、従来の構造化データ分析を使ってこれらの洞察を見つけることは困難であり、特に大量の非構造化データを扱う場合、それらを見つけるのに非常に時間がかかるかもしれない。
これらの洞察にアクションを行うことで、チケット数を大幅に削減し、運用コストを削減し、顧客満足度を高めることができる。
様々な実験において, 年間乗車券の18～25%は, 提案手法により削減されている。
関連論文リスト
- Survey on Semantic Interpretation of Tabular Data: Challenges and Directions [2.324913904215885]
本調査は,セマンティックテーブル解釈の全体像を概観することを目的としている。
まず31の属性の分類を使ってアプローチを分類し、比較と評価を可能にします。
また、利用可能なツールを調べ、12の基準に基づいて評価する。
論文 参考訳（メタデータ） (2024-11-07T14:28:56Z) - Transit Pulse: Utilizing Social Media as a Source for Customer Feedback and Information Extraction with Large Language Model [12.6020349733674]
本稿では,交通関連情報を抽出し,分析するための新しい手法を提案する。
提案手法では,Large Language Models (LLM) ,特にLlama 3を合理化解析に用いている。
以上の結果から,公共交通機関におけるソーシャルメディアデータ分析を変革するLLMの可能性が示された。
論文 参考訳（メタデータ） (2024-10-19T07:08:40Z) - Enhancing Structured-Data Retrieval with GraphRAG: Soccer Data Case Study [4.742245127121496]
Structured-GraphRAGは自然言語クエリにおける構造化データセット間の情報検索を強化するために設計された汎用フレームワークである。
その結果,Structured-GraphRAGはクエリ処理効率を大幅に改善し,応答時間を短縮することがわかった。
論文 参考訳（メタデータ） (2024-09-26T06:53:29Z) - Knowledge-Aware Reasoning over Multimodal Semi-structured Tables [85.24395216111462]
本研究では、現在のAIモデルがマルチモーダルな構造化データに基づいて知識を考慮した推論を行うことができるかどうかを検討する。
この目的のために設計された新しいデータセットであるMMTabQAを紹介する。
我々の実験は、複数のテキストと画像の入力を効果的に統合し解釈する上で、現在のAIモデルに対する重大な課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-08-25T15:17:43Z) - Everything is Editable: Extend Knowledge Editing to Unstructured Data in Large Language Models [65.10456412127405]
現実世界の知識の大部分は、構造化されていない形式で保存される。
ローカル層キーバリューストレージや項駆動最適化のような技術は、構造化されていない知識を扱うのに有効ではない。
本研究では,非構造化知識編集手法,すなわちUnKEを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:42:40Z) - Persona-DB: Efficient Large Language Model Personalization for Response Prediction with Collaborative Data Refinement [79.2400720115588]
本稿では,タスクコンテキスト間の一般化を改善するための階層的な構築プロセスからなる,シンプルで効果的なフレームワークであるPersona-DBを紹介する。
応答予測の評価において,Persona-DB は精度を著しく低減した検索サイズで維持する上で,より優れたコンテキスト効率を示す。
我々の実験は、ユーザーが極めて少ないデータを持つ場合、コールドスタートシナリオで10%以上の顕著な改善が示されていることも示している。
論文 参考訳（メタデータ） (2024-02-16T20:20:43Z) - Advanced Unstructured Data Processing for ESG Reports: A Methodology for
Structured Transformation and Enhanced Analysis [20.038120319271773]
本研究では,ESGレポートを構造化解析可能な形式に変換する革新的な手法を提案する。
提案手法は,高精度なテキストクリーニング,画像からのテキストの適切な識別と抽出,およびこれらのレポート内の表の標準化を実現する。
この研究は、産業生態学と企業持続可能性評価の分野に多大な貢献をしている。
論文 参考訳（メタデータ） (2024-01-04T06:26:59Z) - Open-Vocabulary Camouflaged Object Segmentation [66.94945066779988]
OVCOS(Open-vocabulary camouflaged Object segmentation)を導入した。
我々は11,483個の手選択画像とそれに対応するオブジェクトクラスを含む大規模複合シーンデータセット(textbfOVCamo)を構築した。
クラスセマンティック知識の指導とエッジ情報と深度情報からの視覚構造的手がかりの補足を統合することにより、提案手法は効率よくカモフラージュされたオブジェクトを捕捉できる。
論文 参考訳（メタデータ） (2023-11-19T06:00:39Z) - Topic Segmentation of Semi-Structured and Unstructured Conversational
Datasets using Language Models [3.7908886926768344]
トピックセグメンテーションに関する現在の研究は、しばしば構造化されたテキストのセグメンテーションに焦点を当てている。
本研究では,非構造化チャットと半構造化チャットを分割する場合に,クロスエントロピーと再重み付きクロスエントロピー損失関数の頑健な代替としてFocal Loss関数を提案する。
論文 参考訳（メタデータ） (2023-10-26T03:37:51Z) - Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。
人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
論文 参考訳（メタデータ） (2021-04-17T21:34:10Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳（メタデータ） (2020-04-30T14:16:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。