Smart innehåll

Problemet

Företag har tusentals digitala tillgångar (bilder, HTML-sidor, videor, PDF-dokument, text och dylikt) i Oracle Content Management. De här tillgångarna är värdefulla endast när skapare, redigerare och konsumenter av innehåll kan upptäcka innehållet när de behöver det.

För att innehållet ska kunna upptäckas måste det taggas och klassificeras. Innehållet behöver taggas med metadata som beskriver innehållet och dess innebörd. Sedan måste det taggade innehållet organiseras så att det kan hittas och levereras i rätt kontext vid rätt tidpunkt.

Hittills har den här taggningen och klassificeringen varit en manuellt process. Ett genomsnittligt företag kan ägna hundratals timmar åt att märka och klassificera innehåll, plus extra tid för att upprätthålla noggrannheten. Om de kommer efter med taggningen och klassificeringen av innehåll leder det till problem med att upptäcka innehåll.

Oracle ville hitta ett sätt att göra innehållet upptäckbart utan behov av manuell taggning och klassificering, och ta det ett steg längre genom att rekommendera rätt tillgångar utan att användaren ens behöver söka.

Lösningen

Smart innehåll är Oracle Content Managements svar. Vi använder artificiell intelligens (AI) för att analysera innehåll och på så sätt förbättra upptäckten av innehåll. Smart innehåll inkluderar följande funktioner:

Hur smart innehåll fungerar

Två typer av AI-modeller ligger till grund för smart innehåll:

• Datamodeller för visuellt innehåll som tränas med miljontals bilder så att de kan identifiera relevanta objekt och parametrar i nya bilder. Allteftersom nya bilder laddas upp till datalager taggas de automatiskt, så att de lättare upptäcks. När en användare gör en sökning returneras de mest relevanta resultaten baserat på dessa automatiska taggar. Oracle Content Management visar även smarta sökord (rekommenderade sökord), för att hjälpa användarna att begränsa sin sökning ytterligare.

  Obs!:

  Du kan fortfarande tagga tillgångar manuellt efter behov, för att förbättra sökresultatens noggrannhet ännu mer.
• Modeller med bearbetning av naturligt språk (NLP-modeller) som kan härleda den huvudsakliga avsikten från en artikel. Den här avsikten används för att rekommendera relevanta bilder, genom att matcha artikelns avsikt mot de automatiska taggar som genererats med ovan nämnda datamodell för visuellt innehåll.

Processen

Smart innehåll är aktivt som standard för alla nya datalager du skapar. För befintliga datalager måste datalageradministratören aktivera smart innehåll manuellt.

När en användare söker efter tillgångar, kommer Oracle Content Management att rekommendera sökord.

När en användare skapar ett innehållsobjekt som inkluderar en bild fastställer Oracle Content Management avsikten med artikeln för att sedan föreslå relevanta bilder.

När en användare skapar ett innehållsobjekt eller tilldelar tillgångskategorier rekommenderar Oracle Content Management kategorier baserade på innehållet i innehållsobjektet.

Frågor och svar

• Finns det något sätt att stänga av smart innehåll och ångra eventuella relaterade ändringar?

  Ja. Stänga av smart innehåll i datalagret.

• Hur förbättrar jag sökbeteendet när smart sökning inte hittar tillgången jag söker efter?

  Om smart sökning inte returnerar de fullständiga och korrekta resultaten för ett sökord kan du manuellt tagga tillgångar med de specifika söktermer du letar efter.

• Varför visas inga maskintaggar på bilderna?

  Maskintaggar är inte avsedda att bearbetas manuellt. Oracle Content Management analyserar bilder baserat på så många parametrar och attribut som möjligt, vilket ger upphov till tiotals maskintaggar. Dessutom förbättras våra AI-modeller ständigt, så maskintaggning blir bättre när nya bilder läggs till. Om du inte hittar det du söker kan du alltid lägga till manuella taggar. Oracle Content Management Oracles moln för innehåll och upplevelse ger manuella taggar den högsta viktighetsgraden vid returnering av resultat.

• Lämnar data Oracles servrar?

  Nej.

• Loggas några data om vår användning?

  Oracle Content Management utför icke-anonym loggning för att förstå användningen av funktionen i syfte att förbättra tjänsten.