En un mundo donde la información visual juega un papel crucial, las organizaciones están descubriendo la importancia de integrar documentación visual, como diagramas y gráficos, en sus sistemas de gestión del conocimiento. Sin embargo, a pesar de la evolución en las plataformas de gestión, los datos ricos que se encuentran en representaciones gráficas suelen permanecer inaccesibles para asistentes de inteligencia artificial y motores de búsqueda, generando lagunas significativas en las bases de conocimiento organizacionales. Esto limita la capacidad de los sistemas de automatización para proporcionar análisis integrales y decisiones informadas basadas en datos visuales.
Para abordar este desafío, Amazon ha introducido la función de enriquecimiento de documentos personalizados (CDE) en su plataforma Amazon Q Business, que ahora no solo maneja imágenes incrustadas en documentos, sino que también permite procesar archivos de imagen independientes, como JPG y PNG. Con esta capacidad, las organizaciones pueden transformar imágenes complejas en datos accesibles y manipulables a través de consultas en lenguaje natural.
Un caso de uso ilustrativo es el de una consultora educativa que almacena datos demográficos y gráficos de distribución de estudiantes en un bucket de Amazon S3. Anteriormente, la información contenida en los diagramas se veía limitada a su formato visual, dificultando la toma de decisiones basada en estos datos. Con la implementación de CDE, los equipos pueden realizar consultas como «¿Cuál es la ciudad con más estudiantes en el rango de 13 a 15 años?» directamente desde la interfaz de Amazon Q Business, lo que permite obtener respuestas rápidas y precisas.
La implementación de CDE implica varios pasos, desde la creación de una aplicación en Amazon Q Business y la sincronización con un bucket S3, hasta la configuración de reglas del sistema que desencadenan funciones de AWS Lambda para el procesamiento de imágenes. Esta integración implica el uso de Amazon Bedrock, que permite la interpretación de la información visual y la extracción de datos estructurados de gráficos y diagramas. Todo esto culmina en una base de conocimiento ampliable y eficiente.
Es fundamental enfatizar que este tipo de soluciones deberá seguir las mejores prácticas de implementación, como el uso de reglas condicionales para procesar solo tipos específicos de archivos y monitorear la ejecución de funciones Lambda para asegurar un procesamiento sin errores.
En conclusión, la combinación de Amazon Q Business y la función de enriquecimiento personalizado redefine la manera en que las organizaciones pueden extraer y utilizar información visual. Esto no solo potencia la accesibilidad y la utilización de datos visuales en la toma de decisiones, sino que también optimiza la manera en que las empresas interactúan con su contenido.
vía: AWS machine learning blog
