Não tenho certeza se a IA é a solução para o meu caso. Eu coletei dados de diferentes fontes, e a ideia principal é encontrar destaques realmente importantes (palavras, URLs, provas, etc.) e criar uma estrutura de dados que possa responder a essas perguntas:
- Qual foi a ordem correta no processo de aceitação de uma determinada solução relacionada a uma tarefa específica, a fim de reconstruir o quadro real dos eventos.
- O algoritmo deve detectar menções importantes em toneladas de conversas de baixa qualidade (especialmente e-mails com muitos níveis de anexos e publicações web não confiáveis).
- Definir conexões valiosas entre diferentes ações, mais ou menos da seguinte forma: notícias → blog → clima e necessidades públicos → decisão via chat/e-mail → estratégia utilizada → ações reais → suposições aprovadas → pessoas relacionadas → explicação do resultado.
Portanto, uso um modelo em Python para isso:
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"
}
Provavelmente, gostaria de ter uma estrutura de dados semelhante exportada do Discourse (talvez através da API). Inicialmente, fiz uma pergunta sobre o Discourse for Teams, porque encontrei muitas semelhanças com o Slack e nossa equipe não está satisfeita com o Slack. A função paga de histórico é quase inútil.