Публикации |
 |
Fujitsu ETERNUS DSP - разработано для будущего, статья |
 |
Технологии охлаждения для следующего поколения HPC-решений, статья |
 |
Что такое современный HBA?, статья |
 |
Fugaku– самый быстрый суперкомпьютер в мире, статья |
 |
НРС – эпоха революционных изменений, статья |
 |
Weka для AI-трансформации, статья |
 |
Cloudera Data Platform – “лучшее из двух миров”, статья |
 |
Excelero NVEdge для HA IoT-эры, статья |
 |
HPE: легкий путь в IIoT, статья |
 |
DAOS: СХД для HPC/BigData/AI приложений в эру экзаскейл_вычислений, статья |
 |
IPsec в пост-квантовую эру, статья |
 |
Дезагрегированные компонуемые среды для высокопроизводительных задач, статья |
 |
HPE Primera: интеллектуальная СХД HPE 3PAR, статья |
 |
HPE Elastic Platform for Big Data and Analytics, статья |
 |
LiCO: оркестрация гибридныхНРС/AI/BigData_инфраструктур, статья |
 |
Новое поколение СХД Fujitsu ETERNUS, статья |
 |
Зональное хранение данных, статья |
 |
За пределами суперкомпьютеров, статья |
 |
Применение Intel® Optane™ DC и Intel® FPGA PAC, статья |
 |
Адаптивные HPC/AI-архитектуры для экзаскейл-эры, статья |
 |
FusionStorage 8.X: облачное хранилище для ЦОД нового поколения, статья |
 |
Микросхемы ускорения вычислений нейросетей, статья |
 |
Persistent Memory: новый уровень хранения данных, статья |
 |
Как строить озера данных?
, статья |
 |
End-to-end NVMe AFA-массивы Huawei, статья |
 |
SweRV Core – первое RISC-V процессорное ядро Western Digital, статья |
 |
Преимущества использования SCM-кэша в составе внешних СХД HPE, статья |
 |
Технологии кэширования данных современных СХД, статья |
|
Обзоры |
 |
Все обзоры в Storage News |
|
Тематические публикации |
 |
Flash-память |
 |
Облачные вычисления/сервисы |
 |
Специализ. СХД для BI-хранилищ, аналитика "больших данных", интеграция данных |
 |
Современные СХД |
 |
Информационная безопасность (ИБ), борьба с мошенничеством |
 |
Рынки |
|
Компания «ЦРТ-инновации» представила новый метод анализа больших данных
28, апрель 2016
Компания «ЦРТ-инновации» (группа компаний ЦРТ) при поддержке Министерства образования и науки РФ разработала уникальный метод выделения связных контекстов словоупотребления, ориентированный на работу с живой неподготовленной (спонтанной) речью. Использоваться новый метод будет в таких инструментах речевой аналитики ЦРТ, как «модуль кластеризации» и «модуль автоматического аннотирования».
Метод основан на технологиях работы с большими данными (big data) и современных методах машинного обучения (machine learning) в сочетании с глубоким лингвистическим и семантическим анализом речи.
Особенно остро проблема «понимания» речи (речевого сообщения и/или большого объема речевых данных) стоит в крупных контакт-центрах, обрабатывающих информацию в постоянном режиме и больших объемах. Именно поэтому основными потенциальными потребителями систем, автоматически выделяющих связные контексты (логические структуры, «ситуации») тех или иных значимых для анализа слов, являются аналитические службы КЦ и служб технической поддержки государственных и коммерческих структур.
Цель выделения контекстов в больших массивах данных - учитывать информацию, непосредственно связанную с целевым словом, и не включать в контекст нерелевантную информацию. Выделение связных контекстов слов в разы упрощает работу аналитиков, позволяя им в автоматическом режиме решать такие задачи, как:
- анализ употребления ключевых слов (людей, организаций, географических объектов) в тексте и/или речи;
- выявление контекстов употребления ключевых (значимых) слов в диалогах;
- составление текстовой аннотации (информативной выжимки) текста и/или речи;
- автоматическое формирование заголовков тематических кластеров и т.п.
|
|