Machine Learning macht die Suche noch besser

Elastic nutzt die Vektorfelder von Lucene und die ANN-Suche (Approximate Nearest Neighbor, unter Nutzung von HNSW), die Suchanfragen mit vektorbasierten Suchkonzepten abgleicht, was Suchanwendungen schneller und genauer macht – vor allem bei großen Datenbeständen.

Dank der Unterstützung moderner NLP-Funktionen (Natural Language Processing) können Sie für Elasticsearch-Ingest-Pipelines PyTorch- und Python-Modelle verwenden, die bei der Sentimentanalyse, bei der Textklassifizierung und bei der Named Entity Recognition (NER) helfen. Gängige Transformatormodelle können direkt aus Hugging Face importiert werden.

Entwickeln Sie Vorhersagemodelle (überwachtes Lernen) und wenden Sie sie an, um Daten in Kategorien zu klassifizieren oder Trends vorherzusagen. Zur Anwendung von Vorhersagemodellen in Elastic ordnen Transformatoren Daten-Frames Rohdaten zu.

Erstellen Sie Sucherlebnisse, die durch Named Entity Recognition, Textklassifizierung und Sentimentanalyse Suchergebnisse auf den Standort des Endnutzers, das Kundenkonto, die Kaufhistorie oder die Kundenrolle innerhalb der jeweiligen Organisation zuschneiden.

Durch native Unterstützung für NLP-Modelle (Natural Language Processing) und Algorithmen für die Vektorsuche mit ANN-Funktionen (Approximate Nearest Neighbor), die den Kontext und die eigentlichen Absichten der Suchenden berücksichtigen, erhalten Nutzer:innen auch bei großen Datenbeständen schneller genauere Ergebnisse.

Mit Funktionen zum Vergleich von Bildern in großen Datenbeständen ermöglichen Sie Produkt-Discovery und Cross-Selling, Image-Tracking und Authentifizierung.

Mit Vektorfeldern, Textähnlichkeitssuche, Eingabemasken und Textklassifizierungsaufgaben lassen sich ähnliche Suchanfragen in Website-FAQs, Hilfen oder Support-Wissensdatenbanken aufspüren – so können Endnutzeranfragen schneller beantwortet werden.

Nutzen Sie Named Entity Recognition, Texteinbettung, Zero-Shot-Klassifizierung und Sentimentanalyse, um den Inhalt Ihrer Website so zu organisieren, dass Fünf-Sterne-Kundenbewertungen oder ähnliche News-Storys gemeinsam angezeigt werden, um Research-Daten zu kategorisieren oder um Kunden-Support-Anfragen an die richtigen Stellen weiterzuleiten.

Nutzen Sie Machine-Learning-Modelle, die Search-Analytics-Ergebnisse und Verhaltensmuster klassifizieren, zu Clustern zusammenfassen und korrelieren, um Muster in Ihren Suchdaten, wie Lücken bei den Inhalten oder im Produktkatalog zu finden und entsprechend darauf zu reagieren.