0
Salesforce AI team di ricerca ha sviluppato un nuovo sistema che promette di aiutare gli utenti aziendali di comunicare con i database senza conoscere le lingue, come ad esempio SQL, tipicamente usato per interrogare questi sistemi.
Il CRM gigante Seq2SQL sistema — disposti in un documento accademico [PDF] – è una profonda rete neurale che si traduce in linguaggio naturale le domande corrispondenti query SQL. Gli utenti di digitare una domanda come “che rappresenta il più basso livello di soddisfazione del cliente score”, e il sistema di query di database appropriato e ritorno con i risultati.
Salesforce ha detto nel suo libro che il suo modello è ispirato puntatore reti, che, invece di generare parole da un fisso di vocabolario, come l’attenzione, sequenza per sequenza modello, genera selezionando parole della sequenza di input.
Applicando il rafforzamento dell’apprendimento, Salesforce ha detto che il suo modello è stato in grado di generare risultati più accurati di attenzione sequenza per sequenza di modelli. Secondo la sua carta, Seq2SQL esecuzione migliorata la precisione dal 35,9% al 60,3 per cento e forma logica precisione dal 23.4% a 49,2 per cento.
Salesforce ha detto che il suo modello non richiede l’accesso alla tabella dei contenuti durante l’inferenza.
La società ha anche annunciato il lancio di WikiSQL, un open-source del set di dati di oltre 87.000 domande utilizzando il linguaggio naturale, query SQL e SQL tabelle stilate da 26.000-plus tabelle HTML da Wikipedia.
Le tabelle del HTML sono stati estratti da Wikipedia, che poi divenne la base per l’generato in modo casuale query SQL. Le query sono stati utilizzati per formulare domande, che poi sono passata ai lavoratori su Mechanical Turk di Amazon per parafrasando. Altri due lavoratori sono stati invitati a verificare che la parafrasi, ha lo stesso significato generata domanda, Salesforce ha spiegato nella sua carta.
Il CRM gigante non è la prima azienda di tentare di modificare una query su database; Tableau controllata ClearGraph tecnologia allo stesso modo è progettato per rendere più facile per gli utenti di accedere e analizzare i dati senza alcuna formazione tecnica.
Memorizza dati semantici nella conoscenza grafici, che possono espandere e imparare nel corso del tempo. Per esempio, un utente può chiedere “un totale di vendite da parte dei clienti che hanno acquistato punti in New York”, quindi filtrare i risultati per “ordini negli ultimi 30 giorni”, quindi raggruppare i risultati per “progetto proprietario del dipartimento”.
Quepy, un framework Python, trasforma anche in linguaggio naturale le domande semantico di query di database che può essere utilizzato con i database come DBpedia. Quepy attualmente fornisce il supporto per SPARQL e MQX linguaggi di query.
All’inizio di quest’anno, Austin, Texas-based avvio Pilosa ha annunciato il lancio della comunità edizione del “distribuito indice bitmap”, finalizzato a migliorare sensibilmente la velocità di esecuzione di query su set di dati maggiore di 1 TB senza l’acquisto di hardware aggiuntivo.
In genere, i database hanno due componenti: l’Archiviazione e il recupero. Cosa Pilosa ha fatto è “liberato” l’indice, che viene utilizzato per eseguire query su set — dal deposito, la creazione di un nuovo tipo di indice bitmap che viene eseguito in memoria piuttosto che su disco.
che cosa è caldo su zdnet
Microsoft ottoni ancora credere che ha una possibilità nel mercato della telefonia?
Apple copre più di enterprise basi, squadre con Accenture
Cyberwar: Una guida per la spaventosa online di conflitto
Zazzle reimposta “migliaia” di conti dopo l’hacker brute-force password
0