Memperluas Memomics – Menambang Datagem dari Babel Informasi Bejeweled

Memomics, ketika dipahami sebagai studi tentang Meme, dengan mendekodekannya menjadi pemetaan ontologis, adalah alat yang berharga untuk meningkatkan web semantik dan mesin pencari. Aplikasi komersial dan iklan yang difasilitasi oleh agen Inteligensi Buatan dapat mengambil untung dari korelasi yang ditemukan seperti yang akan dijelaskan di bawah ini:

Menurut Wikipedia, Meme adalah istilah, yang mengidentifikasi gagasan atau kepercayaan yang ditransmisikan dari satu orang atau sekelompok orang ke orang lain. Namanya berasal dari analogi: ketika gen mentransmisikan informasi biologis, Memes dapat dikatakan mengirimkan informasi ide dan kepercayaan. Memome dapat dilihat sebagai seluruh koleksi dari semua Meme. Jika kita menyelam sedikit lebih jauh ke dalam konsep ini sedikit juga dapat dikatakan mencakup semua pengetahuan manusia.

Genomik dan Proteomik adalah studi tentang genom, keseluruhan informasi herediter organisme dan keseluruhan pelengkap proteinnya. Demikian juga Memomics dapat dianggap sebagai studi tentang Memome, seluruh koleksi dari semua Meme.

Dalam Genomik dan Proteomik, penelitian ini mencakup berbagai jenis "pemetaan" fungsi dan struktur gen dan protein. Pemetaan dapat misalnya menjadi atau bisa bersifat patologis yaitu korelasi antara profil ekspresi gen dan protein tertentu dengan penyakit atau bisa juga topologi: ekspresi berkaitan dengan jenis jaringan, tipe sel atau organ tertentu.

Demikian juga, Memomics mempelajari pemetaan ide dan istilah ontologis. Sebuah perusahaan, sistem Alitora, telah melakukan langkah pertama di bidang Memomics dan menebak di mana mereka telah memulai: dengan data kehidupan. Mereka telah mengembangkan alat penambangan data dan teks yang nyaman yang dapat mempercepat pencarian yang bermakna dan yang menyediakan tautan ke sebagian besar konsep yang berhubungan secara ontologis.

Proyek yang lebih ambisius adalah membuat pemetaan ontologis yang lengkap dari semua pengetahuan manusia. Itu untuk menemukan untuk setiap istilah atau konsep yang ada, konsep mana yang secara alami terkait dengannya. Apa yang saya maksudkan dengan ini bukan hanya menyediakan pemetaan semantik, yang memberikan makna istilah dalam fitur dan istilah lainnya. Saya ingin memperluas pemetaan seperti yang disarankan dalam artikel saya sebelumnya: "OWLs dari Minerva hanya terbang saat senja – Patologi Cerdas Secara Patologis". Yaitu, untuk memetakan hubungan kedekatan untuk setiap istilah yang didefinisikan dalam web semantik untuk masing-masing istilah lain juga didefinisikan untuk mengetahui jarak rata-rata antara istilah-istilah dalam semua dokumen di seluruh World Wide Web dan bobot frekuensi kejadian tersebut. Peta ontologi semacam itu dapat memancing istilah-istilah yang memiliki korelasi kejadian yang jauh di atas "kebisingan". Banyak terminologi sepele akan muncul dalam frekuensi tinggi kedekatan dengan istilah virtual apa pun. Ini membentuk tingkat frekuensi kebisingan yang merupakan ambang batas yang harus dipenuhi oleh korelasi istilah signifikan. Terminologi semacam itu mencakup semua jenis istilah sintaksis seperti konjungsi, kata keterangan, kata sifat, kata kerja modal, dll.

Kerugian dalam menetapkan ambang batas terlalu tinggi adalah istilah yang biasanya sepele, dalam kombinasi dengan istilah lain bisa memiliki arti yang sangat spesifik.

Ketika pemetaan ontologis ini dilakukan hanya di dalam kelas / bidang makna tersegmentasi tertentu, tiba-tiba korelasi penting dapat muncul, yang tidak terlihat di sebagian besar kelas dan bidang.

Dengan demikian, pemetaan kedekatan ontologis seperti itu dengan frekuensi kemunculan kejadian dapat dilakukan dalam kombinasi dengan "klasifikasi situs web" (i-taksonomi).

Demikian pula sebaliknya, pelaksanaan pemetaan kedekatan ontologis dengan frekuensi kejadian yang berbobot dapat memberikan kelas dan subkelas. Karena itu proses ini dapat diimplementasikan secara iteratif. Korelasi yang signifikan dapat membuat kelas, yang pada gilirannya dapat ditambang data untuk menemukan pemetaan baru dan menyarankan subkelas baru.

Pemetaan ontologis lainnya adalah untuk menentukan apakah tautan tertentu di web memiliki korelasi dengan istilah tertentu.

Implementasi harus dimulai dengan semua informasi yang ada di web pada tanggal tertentu. Informasi ini entah bagaimana harus disimpan sebagai dibekukan untuk melaksanakan latihan penambangan data yang luas dari pemetaan kedekatan. Setelah Memome yang diberikan sepenuhnya diterjemahkan, proses dapat diulangi secara berulang-ulang dengan top-up dan pada akhirnya akan menyusul "hadiah" pada saat itu.

Agen cerdas buatan akan melakukan proses pemetaan ontologis dan akan belajar dari pola yang mereka kenali sehingga lebih mudah untuk memetakan peristiwa masa depan dan membuat kelas lebih lanjut. Selain itu tautan yang terlihat dan / atau dihasilkan yang digunakan lebih sering dapat ditambahkan ke Hub yang sesuai dalam sistem "Hubbit", yang saya bahas dalam artikel saya sebelumnya: "Dari Mesin Pencari ke Generator Hub dan Antarmuka Internet Multiguna Pribadi yang Terpusat" . Tautan yang sering dikunjungi akan disukai dan tautan yang tidak penting tidak akan mencapai tahap permanen menurut pepatah evangelis: "Kepada siapa yang akan diberikan, dari dia yang tidak, itu akan diambil", yang merupakan juga metafora yang bagus untuk cara tautan saraf terbentuk di otak kita.

Untuk melakukan proyek sebesar itu akan membutuhkan daya komputasi dan ingatan dalam jumlah yang sangat besar dan mungkin masih berada di luar apa yang secara teknis memungkinkan. Ini kerugiannya. Tetapi daya komputasi dan memori komputer telah meningkat secara eksponensial selama beberapa dekade dan tidak ada alasan untuk percaya bahwa teknologi yang dibutuhkan tidak berada dalam jangkauan yang dekat.

Aplikasi dan keuntungan komersial sangat banyak.

Chatbots dan sistem linguistik lainnya dapat ditingkatkan dengan belajar dari peta korelasi ini. Mesin pencari dapat ditingkatkan dengan menampilkan hasil dalam peringkat sesuai dengan pemetaan kedekatan dengan frekuensi tertimbang. Di bagian bawah pencarian Anda dapat memiliki saran dalam bentuk "orang yang mencari istilah ini juga mencari …".

Pemetaan ontologis komersial dapat dibuat di mana istilah terkait dengan semua perusahaan yang terlibat dalam perdagangan produk yang berkaitan dengan istilah tersebut. Sama seperti sistem Alitora telah memetakan bagaimana gen tertentu yang terkait dengan penyakit terhubung ke perusahaan yang mengembangkan obat terhadap penyakit ini melalui mekanisme yang melibatkan gen terkait, protein atau jalur metabolisme.

Dengan demikian, orang juga dapat membuat Commerce Memome (Commercome) sebagai basis data yang dapat dicari: seluruh rangkaian semua hubungan komersial, yaitu produk-produk yang terkait dengan penjual, pembeli, produsen, dll. Commercomics akan memetakan hubungan tersebut secara ontologis. Setelah jaringan informasi seperti itu dibuat, itu akan menjadi cara yang sangat berguna dan sederhana untuk mengidentifikasi pesaing dan pendatang baru di lapangan (asalkan sistem tetap diperbarui).

Iklan dapat sangat diuntungkan dari peta korelasi semacam itu. Dalam analogi dengan saran dalam bentuk "orang yang mencari istilah-istilah ini juga mencari .." teknologi berbasis pemetaan ontologi dapat digunakan dalam iklan: I.e. berdasarkan prinsip yang sama dalam analogi dengan apa yang terjadi di situs komersial seperti Amazon.com: "orang yang membeli A, juga membeli B" tetapi sedikit melampaui prinsip ini dalam algoritma evolusi dan pembelajaran. Misalnya. biaya iklan dapat dikaitkan dengan frekuensi mengklik iklan yang dipermasalahkan (iklan PPC), sementara secara bersamaan frekuensi tampilan iklan juga ditautkan dengannya. Dengan cara ini lagi mematuhi prinsip "kepada siapa yang memilikinya akan diberikan, dari dia yang tidak memilikinya akan diambil". Pemetaan data komersial dan penambangan teks lainnya dapat melibatkan frekuensi pemetaan klik iklan untuk istilah pencarian tertentu. Ini juga dapat digabungkan ke sistem yang menghubungkan biaya iklan dengan frekuensi klik dan / atau frekuensi tampilan. Sekali lagi AIbot yang menyediakan fungsi-fungsi ini akan belajar dari konteks dan menyesuaikan tampilan informasi sesuai dengan konteksnya. Sekali lagi AIbot akan menghasilkan kelas dan menambang korelasi yang lebih spesifik dari subclass yang dihasilkan.

Pertanyaan lembar pertanyaan bisa ditolong oleh AIbots seperti itu, lebih disukai mampu berbicara dalam bahasa alami sebagai chatbot. Dari balasan dan pertanyaan serta hasil kepuasan pengguna, bot seperti itu dapat diprogram untuk belajar dan berkembang menjadi penyedia informasi yang lebih efisien.

Dengan demikian Memomics dapat diperluas menjadi mesin yang berharga untuk menambang datagem dari informasi Babel yang berhiaskan berlian.

Artikel ini berasal dari Casino Online yang merupakan website terpercaya di indonesia ini.