Non sono sicuro che l’IA sia la soluzione giusta per il mio caso. Raccoglio dati da diverse fonti e l’obiettivo principale è identificare i punti salienti davvero importanti (parole, URL, prove, ecc.) e creare una struttura dati strutturata in grado di rispondere a queste domande:
- Qual era l’ordine corretto nel processo di accettazione di una determinata soluzione relativa a un certo compito, al fine di ricostruire la reale sequenza degli eventi.
- L’algoritmo dovrebbe rilevare menzioni importanti in una grande quantità di conversazioni di scarsa qualità (in particolare e-mail con molti livelli di allegati e pubblicazioni web non affidabili).
- Definire collegamenti di valore tra diverse azioni, approssimativamente in questo modo: notizie → blog → umore e bisogni del pubblico → decisione via chat/e-mail → strategia adottata → azioni reali → assunzioni approvate → persone coinvolte → spiegazione del risultato.
Quindi uso un modello Python a questo scopo:
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"
}
Probabilmente mi piacerebbe avere una struttura dati simile esportata da Discourse (forse tramite API). Inizialmente ho posto la domanda relativa a Discourse for Teams, perché ho trovato molte funzionalità simili a quelle di Slack e il nostro team non è soddisfatto di Slack. La funzione a pagamento per la cronologia è quasi inutile.