No estoy seguro de que la IA sea mi caso. Recopilo datos de diferentes fuentes y la idea principal es encontrar los puntos clave realmente importantes (palabras, URLs, pruebas, etc.) y crear una estructura de datos que pueda responder a estas preguntas:
- ¿Cuál fue el orden correcto en el proceso de aceptación de una determinada solución relacionada con una tarea específica, con el fin de reconstruir la imagen real de los acontecimientos.
- El algoritmo debe detectar menciones importantes en una gran cantidad de conversaciones de baja calidad (especialmente correos electrónicos con múltiples niveles de archivos adjuntos y publicaciones web no confiables).
- Definir vínculos valiosos entre diferentes acciones, aproximadamente de la siguiente manera: noticias → blog → clima y necesidades públicos → decisión en chat/correo electrónico → estrategia utilizada → acciones reales → supuestos aprobados → personas relacionadas → explicación del resultado.
Por lo tanto, utilizo una plantilla de Python para esto:
PRODUCT_RELATIVE_SOURCES = {
"websites": {
"company1": [
"blog",
"vacancies",
"news",
"tags"
]
},
"social-networks": {
"network1": [
"feed",
"story",
"public",
"direct",
"tags"
]
},
"messengers": {
"messenger1": [
"chat1",
"room1",
"bot1",
"direct",
"tags"
]
},
"mailboxes": {
"box1": [
"subject",
"body",
"sender",
"cc",
"meta"
]
}
}
EXCLUDE_SOURCES = {
"main",
"libs",
"opt"
}
Probablemente me gustaría tener una estructura de datos similar exportada desde Discourse (quizás a través de la API). Inicialmente hice la pregunta sobre Discourse para Equipos, porque encontré muchas similitudes con Slack y nuestro equipo no está satisfecho con Slack. La función de pago del historial es casi inútil.