لست متأكداً أن الذكاء الاصطناعي هو الحل الأمثل في حالتي. أنا أجمع البيانات من مصادر مختلفة، والفكرة الرئيسية هي العثور على أبرز النقاط المهمة حقاً (كلمات، روابط، أدلة، إلخ) وإنشاء بيانات منظمة يمكنها الإجابة على هذه الأسئلة:
- ما هو الترتيب الصحيح لمسار اعتماد حل معين يتعلق بمهمة ما، وذلك لإعادة بناء الصورة الفعلية للأحداث.
- يجب أن يكون الخوارزمية قادرًا على اكتشاف الإشارات المهمة في كميات هائلة من المحادثات منخفضة الجودة (خاصة البريد الإلكتروني الذي يحتوي على مستويات متعددة من المرفقات، والمنشورات غير الموثوقة على الويب).
- تحديد الروابط القيمة بين الإجراءات المختلفة، تقريباً بالطريقة التالية: الأخبار → المدونة → المزاج العام والاحتياجات → قرار عبر الدردشة/البريد الإلكتروني → الاستراتيجية المستخدمة → الإجراءات الفعلية → الافتراضات المعتمدة → الأشخاص المعنيون → شرح النتيجة.
لذلك أستخدم قالبًا بلغة بايثون لهذا الغرض:
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"
}
ربما أود الحصول على بنية بيانات مماثلة مستوردة من Discourse (ربما عبر واجهة برمجة التطبيقات). في البداية، سألت سؤالاً متعلقًا بـ Discourse for Teams، لأنني وجدت العديد من أوجه التشابه مع Slack، وفريقنا غير راضٍ عن Slack. وظيفة السجل المدفوعة تكاد تكون بلا فائدة.