Transformer un texte non structuré en graphiqueinto a Graph
80 % des données de votre organisation ne sont pas structurées et ne sont donc pas utilisées.
Prenez des données textuelles brutes non structurées et créez facilement un graphe de connaissances contenant toutes les entités et relations détectées, afin de tirer le meilleur parti de votre texte. En quelques clics, sans aucun code.
Discover how AP-HP turned patient data into a goldmine of information
How AP-HP uses knowledge graphs to structure patient data
Découvrez comment cela fonctionne dans une courte vidéo
Découvrez comment cela fonctionne dans une vidéo d'une minute 👇🏼
Créez et enrichissez votre graphe de connaissances.
Avec Lettria, vous pouvez trouver des entités et des relations dans des données non structurées et créer automatiquement un graphe de connaissances que vous pouvez exploiter.
Alors que la plupart des graphiques sont créés à partir de données tabulaires structurées, avec Lettria, vous pouvez prendre une longueur d'avance et commencer à exploiter le reste des données de votre entreprise.
Utilisez l'ontologie très développée de Lettria ou utilisez la vôtre.
Utilisez notre ontologie interne (plus de 1 000 000 de mots et de concepts sur le monde) pour créer votre graphe de connaissances.
Vous pouvez également utiliser l'ontologie de votre propre organisation pour des cas d'utilisation plus personnalisés. Nous acceptons tous les formats standards.
Utilisez la base de données Graph qui vous convient.
Bien que nous utilisions neo4j pour visualiser le graphique sur notre plateforme, vous pouvez théoriquement utiliser n'importe quelle plateforme de votre choix — TigerGraph, ArangoDB, MongoDB, Amazon Neptune — nous pouvons nous adapter à vous.
Nous sommes indépendants de toute plateforme. L'important, c'est votre accès à vos connaissances.
Your text made into a graph, step by step:
Here's what we offer in four steps:
1. Raw text import
The first step is to import all the your raw text that you want to use to build your graph.
2. Ontology import
The next step is to import your ontology — including the exact types of relationships and nodes that you want to identify.
3. Ontology alignment
We'll then align your ontology with the one we have internally, to make sure that we use the best of both for maximum accuracy.
4. Text to graph processing
Finally, we'll build the graph database based on all the information in your raw text.
Découvrez notre démonstration texte-graphique en action
Nous avons créé une démo texte-graphique qui est déjà disponible sur notre plateforme.
Voici à quoi ça ressemble.
Read more about the Text to Graph Pipeline
Lettria Knowledge Studio