Apprentissage automatique continu – OpenText Blogs

Les fichiers professionnels numériques ont remplacé de nombreux documents papier, et le volume de contenu devrait exploser dans les années à venir. Chaque jour, je parle à des organisations qui exploitent traitement intelligent des documents des solutions pour les aider à faire face au déluge de documents numériques. Mais même les plateformes automatisées d’aujourd’hui peuvent prendre du retard.

L’apprentissage automatique traditionnel a perdu un pas

À mesure que le contenu et la mise en page des documents évoluent au fil du temps, les systèmes nécessitent des tâches manuelles coûteuses et chronophages qui réduisent l’efficacité et les revenus. L’IA ajoute de l’efficacité et de la précision aux flux de travail de capture automatisés. Malheureusement, la formation et le calibrage des modèles d’apprentissage automatique peuvent également prendre du temps et des ressources.

La précision du machine learning dérive et se dégrade au fil du temps, à mesure que la mise en page des documents entrants change. Le maintien de la précision des modèles repose sur des mises à jour périodiques par les data scientists dans le cadre d’un cycle de recyclage à forte intensité de main-d’œuvre, parfois au niveau du code et de la base de données. Ces ensembles de compétences et d’activités spécialisées entraînent un coût considérable pour l’organisation. Les mises à jour n’ont généralement lieu que périodiquement et sans la contribution des principaux travailleurs du savoir.

Faites le grand saut avec l’apprentissage automatique continu

On assiste à une transition continue de l’apprentissage automatique vers l’apprentissage automatique continu (CML). De nombreuses organisations se sont tournées vers l’apprentissage automatique continu pour répondre à leurs besoins en matière de classification de contenu et d’extraction de données afin de permettre un traitement intelligent des documents. Avec CML, les modèles sont mis à jour au fur et à mesure qu’ils rencontrent de nouvelles données et mises en page en production. Les mises à jour s’effectuent en temps réel par petits lots, ce qui réduit le temps de calcul. Plus important encore, l’apprentissage automatique continu réduit les données et les ressources humaines nécessaires pour recycler les modèles d’apprentissage automatique.

Comment OpenText exploite-t-il CML pour la capture d’informations et le traitement intelligent de documents ?

OpenText exploite une approche CML qui offre flexibilité, précision et efficacité pour la capture automatisée des informations tout en minimisant ou éliminant le recyclage manuel du modèle d’apprentissage automatique.

Texte ouvert produits de capture d’informations et solutions intelligentes de traitement de documents résolvez le défi de l’apprentissage automatique en intégrant CML. Approche de l’IA pour la capture d’informations et l’extraction de données, CML élimine l’obsolescence des données grâce à une actualisation continue à mesure que le modèle s’autocorrige et réapprend. Les humains impliqués dans la boucle garantissent l’exactitude des données dans le cadre des opérations de production quotidiennes, éliminant ainsi le besoin de pauses d’une semaine ou d’un mois pendant que les data scientists parcourent les ensembles de données pour recycler les modèles.

L’approche OpenText de l’apprentissage automatique continu s’appuie sur une méthodologie intégrée dans son moteur d’extraction d’informations (IEE). Les données et les différentes présentations peuvent être rapidement renforcées en quelques clics par un travailleur du savoir utilisant une interface utilisateur humaine. IEE évalue en permanence les commentaires humains pour renforcer ou ajuster le modèle en conséquence. IEE élimine le besoin d’une équipe de data scientists pour maintenir et recycler les modèles d’apprentissage automatique.

Prêt à en savoir plus sur la LMC ?

Téléchargez le Apprentissage automatique continu : votre avantage en matière d’IA document de position pour plus d’informations sur :

• Comment CML reconnaît les documents
• Comment s’assurer que les humains sont au courant
• Quelles sont les prochaines étapes de CML pour le traitement intelligent des documents