Al buscar nuevas oportunidades para innovar y competir, las empresas de hoy no necesitan mirar más allá de la búsqueda, que ha recorrido un largo camino desde la barra de búsqueda de antaño. Ya sea que esté habilitando la búsqueda en las integraciones en las que se basa su empresa o creando una experiencia de sitio web de última generación, la búsqueda se encuentra en el camino crítico hacia la investigación y el descubrimiento. 

Sin embargo, la barra de búsqueda canónica en aplicaciones móviles y sitios web es solo el primer paso en el viaje. Se agrega valor adicional cuando se combinan soluciones inteligentes y sólidas para crear experiencias de cliente visualmente atractivas.

Con el lanzamiento de Elastic 8.0 , se bajo la barrera de entrada para que los equipos construyan una búsqueda inteligente y relevante. Esta versión trae más capacidades de aprendizaje automático (ML) al núcleo de Elastic Search Platform , lo que permite aplicaciones de procesamiento de lenguaje natural (NLP) como análisis de sentimientos, reconocimiento de entidades y clasificación de texto en Elasticsearch. Estas tecnologías permitirán a los equipos crear experiencias complejas habilitadas para ML con mucho menos tiempo y esfuerzo, y abre posibilidades ilimitadas sobre cómo se puede usar la relevancia. 

Aprendizaje automático en pocas palabras

Para las personas que tienen experiencia en el espacio ML, la capacidad de crear contexto en torno a una pieza de información es esencial para garantizar que los modelos NLP se entrenen con precisión y se recupere la información correcta para un evento en particular. Considere un ejemplo en el que desea comparar dos frases:

• Necesito hacer mi tarea antes de ir a la escuela.
• Necesito ir a la escuela antes de hacer mi tarea.

Estas oraciones tienen diferentes significados contextuales, pero si las comparara usando una representación de palabras clave, son coincidencias perfectas. ¡Pero, una persona no llegaría a la misma conclusión! 

El contexto frena la precisión de la búsqueda, especialmente a medida que evolucionan los conjuntos de datos. Para generar relevancia contextual y mejorar la precisión, Elastic usa vectores densos (una matriz multidimensional de cadenas). Los vectores multidimensionales han estado presentes desde Elastic 7.3, pero los equipos tuvieron que construir los modelos para potenciar estos vectores fuera de Elastic. Ese ya no es el caso. Con Elastic 8.0, los usuarios pueden agregar modelos NLP de repositorios comunitarios notables, así como modelos de aprendizaje automático de PyTorch , lo que facilita la integración de estos modelos en aplicaciones que ya funcionan con Elastic, sin configuraciones complejas. Debido a que todo el trabajo ahora ocurre en Elasticsearch, el procesamiento es hipereficiente y ya no requiere integraciones adicionales. 

Una nueva frontera en la experiencia del cliente

Estos avances permitirán a los equipos crear búsquedas aún más sofisticadas. Considere este ejemplo de comercio electrónico. Tiene una experiencia de búsqueda típica que los clientes encuentran satisfactoria. Luego, un día, con la ayuda de su equipo de ingeniería, lanza una búsqueda visual que permite a los clientes proporcionar una imagen de un producto que desean y, a cambio, obtienen una lista de resultados.

Esto brinda una experiencia de cliente superior porque ahora tienen otro modo para realizar búsquedas contextuales y ubicar fácilmente el producto que desean. Con la última versión de Elastic, los equipos pueden traer sus propios modelos NLP o usar modelos de terceros en Elasticsearch para habilitar estas experiencias. 

Mejoras en el rendimiento, también

Cuando se realizaron innovaciones en Lucene, la biblioteca de búsqueda de código abierto en la que se basa Elasticsearch, también permitieron la búsqueda del vecino más cercano (ANN) . Elastic trabajó de cerca con los mantenedores de Lucene para hacer esto realidad. Las ANN son algoritmos que equilibran la eficiencia, la precisión y el algoritmo que usa Elasticsearch, llamados gráficos Hierarchical Navigable Small World (HNSW). Este algoritmo tiene vectores similares cercanos entre sí, lo que proporciona un rendimiento de búsqueda sólido. Esto significa que a medida que sus datos escalan y se vuelven más dinámicos, su experiencia de búsqueda sigue siendo eficaz para los usuarios. 

ANN agrupa automáticamente palabras relacionadas, lo que reduce la necesidad de crear y mantener grandes conjuntos de sinónimos para su caso de uso. Esto permite a los usuarios hacer preguntas en su propio idioma y aún así obtener una única respuesta correcta al instante.

Empezar

Elastic continúa invirtiendo en herramientas que facilitan a nuestros clientes la creación de soluciones de búsqueda extraordinarias, ya sea para web, dispositivos móviles o un servicio de back-end. Con los avances de aprendizaje automático en Elastic 8.0, los clientes tienen herramientas aún mejores que les brindarán ventajas competitivas. Estamos ansiosos por ver las cosas inspiradoras que construyes con las soluciones de Elastic.

Comience hoy con una prueba gratuita de Elastic Cloud con solo unos pocos clics. ¿Desea obtener más información sobre estos avances y cómo se pueden aplicar para crear una mejor experiencia para el cliente? Echa un vistazo a nuestra tendencia de búsqueda empresarial de 2022: seminario web de relevancia impulsado por el aprendizaje automático .