¿Qué es Hyland Knowledge Enrichment?
Knowledge Enrichment es la solución basada en API de Hyland que transforma el contenido sin procesar y no estructurado en datos estructurados y significativos, que están listos para utilizarse en IA, automatización, análisis y creación de soluciones. Esto implica extraer entidades clave, aplicar metadatos, vincular información contextual y garantizar que el contenido sea legible por máquina y pueda ponerse en práctica desde el principio.
Knowledge Enrichment consta de dos componentes clave:
- Data Curation se centra en estructurar y normalizar los datos no estructurados para que sean limpios y utilizables. Este proceso está impulsado por Hyland Document Filters, una herramienta de inspección, extracción y transformación que permite la estructuración de datos de más de 600 formatos de archivo mientras preserva el contexto del documento original.
- Context Enrichment mejora los datos no estructurados al vincularlos con información contextual relevante, lo que mejora la capacidad de búsqueda, el procesamiento de IA y la toma de decisiones.
¿Cómo cambia Knowledge Enrichment su forma de trabajar?
En lugar de depender de varios pasos de posprocesamiento para depurar y estructurar los datos, Knowledge Enrichment incorpora inteligencia en las primeras etapas del flujo de trabajo, lo que garantiza que el contenido esté optimizado para las aplicaciones posteriores tan pronto como se ingiera.
Cómo funciona Knowledge Enrichment: un desglose semitécnico
La API de Knowledge Enrichment funciona con una combinación de tecnologías sólidas y capacidades de automatización que garantizan una salida de datos estructurados de alta calidad:
Curación de datos con herramientas probadas
Document Filters extrae, normaliza y estructura el contenido de más de 600 formatos de archivo, lo que garantiza datos limpios y coherentes que están listos para las aplicaciones posteriores, además de que mantiene la estructura lógica del documento. Esto permite a las organizaciones integrar sin problemas datos de diversos tipos de documentos sin perder su significado o intención originales.
Automated metadata tagging
Automated metadata tagging analiza las imágenes para identificar elementos clave, como objetos, escenas y texto, y luego genera metadatos para mejorar la capacidad de búsqueda y la precisión del modelo de IA. Esta función permite a las organizaciones categorizar y recuperar imágenes de manera más eficiente, mejorando la accesibilidad y la relevancia del contenido.
Normalización y estructuración de datos
Al convertir texto no estructurado en formatos estandarizados, Knowledge Enrichment hace que el contenido esté listo para los flujos de trabajo de aprendizaje automático, análisis y automatización. Este proceso incluye la deduplicación, la estandarización de formatos y la segmentación inteligente de contenidos.
Reconocimiento de entidades con nombre (NER)
La tecnología NER identifica entidades esenciales, como personas, organizaciones y ubicaciones a partir de documentos, y asigna un significado contextual. Esto permite a las empresas optimizar la categorización y automatizar los flujos de trabajo inteligentes.
Al automatizar estos procesos, Knowledge Enrichment:
- Reduce la dependencia de la preparación manual de datos
- Mejora la coherencia de los datos
- Acelera el tiempo de obtención de información para las aplicaciones de IA y análisis
Aplicaciones de Knowledge Enrichment en el mundo real
Desde la mejora de la capacidad de descubrimiento de productos hasta la agilización del procesamiento de reclamaciones y la estructuración de los registros de los pacientes, Knowledge Enrichment permite a las organizaciones ofrecer mejores resultados y escalar sin problemas. Exploremos las aplicaciones del mundo real que muestran el valor de Knowledge Enrichment para resolver desafíos de datos complejos.
Comercio minorista: automatizar la generación de metadatos
Una importante empresa minorista necesitaba una solución para automatizar la generación de metadatos e identificar entidades con nombre en catálogos de productos. Knowledge Enrichment aplicó un etiquetado de metadatos coherente y creó descripciones contextualizadas. Esto permitió obtener datos más precisos acerca de los documentos y una búsqueda más eficiente en lenguaje natural, así como mejorar los motores de recomendación.
Con Knowledge Enrichment:
- Data Curation extrajo y estructuró detalles de productos en varios formatos de documentos.
- Context Enrichment identificó atributos clave como marcas, especificaciones y categorías.
- Automated metadata tagging mejoró la precisión de búsqueda y capacidad de descubrimiento de productos.
Con estas mejoras, se obtuvieron datos de productos más confiables, una mayor relevancia de búsqueda y una mejor personalización en las recomendaciones.
21
Número promedio de repositorios de contenido empresarial
65 %
Afirma que los datos no estructurados son una oportunidad en gran medida sin explotar en su organización
89%
Las organizaciones no maximizan el uso de la IA para la inteligencia de contenidos
Seguros: mejorar el procesamiento de reclamaciones
Pensemos en una compañía de seguros que procesa miles de reclamos cada día. Tradicionalmente, estas reclamaciones se componen de formularios estructurados y documentos de respaldo no estructurados, como informes médicos y fotografías. Si no se utilizara Knowledge Enrichment, el procesamiento de estas reclamaciones requeriría una amplia intervención manual, aprobaciones lentas innecesarias y costos operativos más altos.
Mediante la implementación de Knowledge Enrichment:
- Data Curation extrae y estructura el contenido de diversos tipos de archivos, al tiempo que preserva el contexto del documento (considere partes de una reclamación de seguro que puede incluir fotos, documentos, correos electrónicos, etc.).
- Context Enrichment identifica entidades clave, como reclamantes, proveedores médicos y detalles del vehículo, vinculándolos con datos relevantes de pólizas y reclamaciones.
- Image analysis detecta aspectos clave de las imágenes enviadas, como la marca y el modelo del vehículo, el alcance de los daños y las posibles incongruencias, lo que ayuda en la detección de fraudes y la validación de reclamaciones.
Con la aplicación de Knowledge Enrichment se logra un procesamiento de reclamaciones más rápido, una menor carga de trabajo manual y una mayor precisión en la detección de fraudes.
Atención médica: estructurar los registros de los pacientes para obtener información mejorada
Los proveedores de atención médica manejan grandes cantidades de datos no estructurados de los pacientes, incluidas notas médicas, historiales médicos, recetas y resultados de exámenes. La extracción manual de información significativa de estos registros requiere mucho tiempo y es propensa a errores.
Mediante la implementación de Knowledge Enrichment:
- Context Enrichment extrae detalles clave como diagnósticos, medicamentos, alergias y resultados de pruebas de diversos documentos médicos.
- Data Curation estructura los datos de los pacientes en formatos estandarizados, lo que garantiza la interoperabilidad entre los sistemas de historias clínicas electrónicas (EHR).
- Knowledge Enrichment mejora la toma de decisiones al hacer que la información crítica del paciente esté disponible para el análisis impulsado por IA, el modelado predictivo y el apoyo a la toma de decisiones clínicas.
Al transformar los registros no estructurados de los pacientes en datos estructurados y que pueden ponerse en práctica, los proveedores de atención médica pueden mejorar la eficiencia operativa, respaldar mejores resultados para los pacientes y optimizar el cumplimiento de los requisitos normativos.
