Federating natural language question answering services of a cognitive enterprise data platform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An enterprise data lake (EDL) combines big data storage, governance, and query abilities for structured and unstructured data with a navigable, searchable data catalogue. We define a cognitive enterprise data platform (CEDP) to be an EDL that is further equipped with a scalable deployment platform and an extensible catalogue of deployable cognitive computing services as well as a data science and data engineering environment to develop and train the cognitive computing services and publish them to the CEDP catalogue. A natural language question answering (NLQA) service is a CEDP cognitive computing service trained to recognize natural language questions and respond using CEDP data queries or cognitive computing services. In order to scale this form of cognition to the enterprise, business units must be able to crowd source the catalogue of trained NLQA that the CEDP must then deploy and federate automatically. However, the machine learned models that contribute to answer confidence values are separately trained, so the answer confidence values from any two NLQA services are not directly comparable. Therefore, federating separately trained NLQA services requires an answer ranking methodology. This paper includes a solution that is based on two insights. The first is that the problem of answering ranking across separately trained NLQA services is analogous to the left side of Bayes' formula. The second insight is that the factors in the right side of Bayes' formula can be automatically machine learned using the test sets of the NLQA services. Thus, calibrated answer ranking across separately trained NLQA services is achieved via Bayesian inferences on their answer confidence values. In turn, this baseline answer ranking methodology enables a cognitive enterprise data platform to automatically federate a dynamic changeable crowd-sourced catalogue of NLQA services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle