Sinequa hat das Benutzer-Interface seiner Plattform für KI-basierte Suche und Analyse neu entwickelt. Es fußt jetzt auf Angular 7, dessen Responsive Design die einfache Nutzung der Sinequa-Plattform von belieben Endgeräten aus ermöglicht, ohne Programmieraufwand für Plattform- oder Anwendungsentwickler. Basierend auf dem neuen Framework hat Sinequa die Benutzeroberfläche seiner Plattform mit Unterstützung eines strategischen UI-Design-Beratungsunternehmens überarbeitet. Das Resultat ist eine vereinfachte und übersichtlichere Darstellung von Informationen für Endbenutzer in verschiedenen Anwender-Kategorien.
„Dieses Framework der nächsten Generation ermöglicht es Anwendungsentwicklern, sehr einfach höchst leistungsfähige und nutzerfreundliche Information-Apps auf der Sinequa-Plattform zu entwickeln. Sie können dabei auf die gesamte Bandbreite an Funktionalitäten zugreifen und profitieren vom UI-Framework mit den weithin bekannten Angular-Schnittstellen. In die Neuentwicklung des Frameworks sind zahlreiche praktische Erkenntnisse unseres Kundenstamms und Partnernetzwerks eingeflossen“, erklärt Philippe Motet, Vice President of Engineering bei Sinequa. Im aktuellen Sinequa-Release 11 wurde außerdem Verbesserungen an der linguistischen Verarbeitung vorgenommen. Machine-Learning-Modelle auf Basis von Spark für überwachtes maschinelles Lernen und TensorFlow für unbeaufsichtigtes Lernen können direkt in der Indexierungspipeline angewandt werden.
„Dieses Framework der nächsten Generation ermöglicht es Anwendungsentwicklern, sehr einfach höchst leistungsfähige und nutzerfreundliche Information-Apps auf der Sinequa-Plattform zu entwickeln. Sie können dabei auf die gesamte Bandbreite an Funktionalitäten zugreifen und profitieren vom UI-Framework mit den weithin bekannten Angular-Schnittstellen. In die Neuentwicklung des Frameworks sind zahlreiche praktische Erkenntnisse unseres Kundenstamms und Partnernetzwerks eingeflossen“, erklärt Philippe Motet, Vice President of Engineering bei Sinequa. Im aktuellen Sinequa-Release 11 wurde außerdem Verbesserungen an der linguistischen Verarbeitung vorgenommen. Machine-Learning-Modelle auf Basis von Spark für überwachtes maschinelles Lernen und TensorFlow für unbeaufsichtigtes Lernen können direkt in der Indexierungspipeline angewandt werden.
