We stand with Ukraine

I modelli di conoscenza di expert.ai

Rendi expert.ai Platform “smart from the start” grazie alla conoscenza specifica di settore

Comprendere il linguaggio è difficile. Comprendere il gergo di un determinato settore o la terminologia specifica relativa ai prodotti di un’azienda lo è ancora di più. Almeno finora.

Con la realizzazione di numerosi progetti basati sulla comprensione del linguaggio naturale, expert.ai ha maturato un’ampia esperienza in diversi settori, tra cui tra cui quello assicurativo, tecnologico, dei servizi finanziari e dei media. Expert.ai Platform include modelli di conoscenza (knowledge models) che applicano l’esperienza e la conoscenza di settore a modelli basati su regole, che contengono concetti e relazioni tra concetti inerenti determinati use case e settori. Grazie a questa conoscenza pronte all’uso, aziende e organizzazioni possono migliorare rapidamente il livello di accuratezza delle soluzioni basate sul linguaggio naturale e far emergere nuove informazioni rilevanti dai dati non strutturati a disposizione.

Rendi efficiente lo sviluppo della tua soluzione basata sul linguaggio naturale fin da subito (“smart from the start”), mettendo a disposizione workflow e strumenti intuitivi e facili da usare per tutti i membri del team.

Le soluzioni sviluppate sfruttando i modelli di conoscenza e la piattaforma di expert.ai sono caratterizzate da un approccio:

 

Maggior rapidità nello sviluppo di progetti in linguaggio naturale

I knowledge model sfruttano una conoscenza di settore approfondita e pronta all’uso che offre un vantaggio iniziale nello sviluppo di soluzioni personalizzate di natural language. L’approccio di expert.ai consente infatti di categorizzare documenti ed estrarre dati rilevanti per specifici use case con grande accuratezza e trasparenza.

Di seguito sono descritti alcuni dei modelli di conoscenza già disponibili, ma nuovi knowledge model vengono aggiunti costantemente.

Contattaci se non trovi subito un modello che soddisfa le esigenze del tuo progetto in linguaggio naturale!

Dati finanziari
Aziende e organizzazioni

Identificare ed estrarre vari tipi di organizzazioni finanziarie tra cui banche centrali, istituti bancari, crediti cooperativi, agenzie di rating, fornitori di servizi di pagamento, fondi pensione, compagnie assicurative, società di brokeraggio, società quotate in Borsa ecc.
Materie prime

Categorizzare qualsiasi tipo di testo che riguarda il mercato delle materie prime. Questo modello si focalizza sui principali settori coinvolti (agricoltura, energia, allevamento, metallurgia e chimica) e include relativi strumenti finanziari, come derivati ed ETF.
Valute

Categorizzare testi che trattano di valute e criptovalute, individuando monete, valori e trend correlati presenti nel testo.
Eventi

Identificare ed estrarre eventi e attività strettamente correlate all’ambito finanziario, come cambi di proprietà o di management, acquisizioni, tagli al personale, outsourcing, acquisizioni da parte dei manager ecc.
Dati macroeconomici

Categorizzare testi sulla base di una tassonomia di termini economici ed estrarre dati di interesse, come la salita e la discesa di tassi e altri indicatori, utili per tracciare eventi e tendenze del contesto economico.
Mercati, indici e ticker

Categorizzare i contenuti in base al mercato azionario ed estrarre entità correlate alla borsa, società quotate, simboli azionari corrispondenti (ticker) e indici azionari.
Titoli

Categorizzare contenuti che riguardano i mercati mobiliari, etichettando i testi in base al tipo di strumento finanziario (ad es. equity, debiti, ibridi e derivati) ed estrarre informazioni su entità collegate, valori e tendenze.
Attività di business
Comunicazioni con i clienti in ambito bancario

Categorizzare email e thread inviati al supporto clienti per aiutare a ordinare e smistare le comunicazioni con i clienti su oltre 60 temi relativi ai servizi di assistenza bancaria.
Reati societari

Categorizzare le informazioni che riguardando l’azienda o il personale dell’azienda coinvolto in reati o attività illegali per salvaguardare il business da clienti o fornitori corrotti e monitorare la concorrenza.
ESG

Identificare e categorizzare testi che riguardano temi ESG (Environment, Social and Governance), cioè relativi ad ambiente, impatto sociale e governance, e classificarli come positivi o negativi sulla base delle azioni e delle dichiarazioni attribuite ad aziende, istituzioni o paesi.
Life Science
Farmaci, malattie e sintomi

Estrarre vari di entità biomediche dai testi, creando collegamenti con altri concetti. Questo modello integra il sistema UMLS (Unified Medical Language System) per identificare entità che appartengono a 3 delle classi più comuni della tassonomia UMLS: farmaci, malattie e sintomi.
Sentiment ed emozioni
Tratti comportamentali

Identificare i dati personali (Personally Identifiable Information, PII) presenti nei testi, cioè tutti quei dati associati a un singolo individuo e che possono svelarne l’identità, come nome, data e luogo di nascita, numero di telefono, indirizzo, e altro ancora.
Espressioni di odio e discriminazione

Identificare 39 tipi di sentimenti in base alla classificazione dei tratti emotivi per comprendere meglio emozioni, opinioni e attitudini trasmesse da un testo.
Espressioni di odio e discriminazione

Individuare espressioni di linguaggio violento e offensivo presenti nei testi e classificarle in diverse categorie attinenti odio e discriminazione, come insulti alla persona, razzismo, discriminazione sessuale o di classe, odio religioso, body shaming.
Dati personali
Identificazione dei dati personali

Identificare i dati personali (Personally Identifiable Information, PII) presenti nei testi, cioè tutti quei dati associati a un singolo individuo e che possono svelarne l’identità, come nome, data e luogo di nascita, numero di telefono, indirizzo, e altro ancora.
Pseudonimizzazione dei dati personali

Identificare i dati personali presenti nel testo e sostituirli con dati anonimizzati come pseudonimi.
Oscuramento dei dati personali

Identificare i dati personali presenti nel testo e oscurarli sostituendoli con una X.