За последние 10 лет достижения в области искусственного интеллекта (ИИ) и машинного обучения (МО) позволили создать удивительные приложения: распознавание лиц, генерация естественно звучащего языка, беспилотные автомобили и многое другое. Эти достижения были достигнуты преимущественно благодаря применению алгоритмов нейронных сетей, которые особенно эффективны при преобразовании крупномасштабных неструктурированных данных в информацию. Технологии искусственного интеллекта и машинного обучения стали неотъемлемой частью многих отраслей, но все еще есть несколько долгосрочных проблем, которые необходимо решить, чтобы удовлетворить потребности большинства потенциальных корпоративных приложений, которые могут не выиграть от достижений в нейронных сетях. . Интересно, что та же самая математическая концепция, которая лежит в основе нейронных сетей, а именно сетевые графики, может помочь предприятиям со структурированными и неструктурированными данными стать лицами, принимающими решения на основе информации.

Что такое графики?

Сетевые графы и родственные им графы знаний — это способ представления сущностей из реального мира, таких как объекты, события, люди, ситуации или концепции и их отношения. Графы — это структуры данных, состоящие из узлов (обычно сущностей) и ребер (обычно отношений). Наиболее очевидными сетевыми графами, о которых сегодня знают люди, являются социальные сети. Узлы на этих графах — это пользователи, а ребра — «подписчики» или «друзья». Примером графа знаний является Википедия, где узлы — это страницы, описывающие концепцию, а ребра — это ссылки между страницами, которые имеют отношение друг к другу. Эти инструменты родились около 300 лет назад как математическая парадигма, взращенные в горниле задач оптимизации во время Второй мировой войны, а затем масштабированные с развитием Интернета. Графики могут поддерживать разработку машинного обучения и искусственного интеллекта, упрощая сбор данных и управление ими, обогащая «характеристику» машинного обучения (данные, которые модель AI/ML использует для описания проблемы), и обеспечивая объяснимость и прозрачность результатов AI/ML (в отличие от нейронных сетей).

Управление данными и характеристика

Наиболее серьезной проблемой, с которой сталкиваются в большинстве корпоративных приложений, является сложность сбора, очистки и контроля правильных источников данных для приложения. Компании по всему миру работают с массивными активами данных. Самый сложный шаг в превращении этих ресурсов данных в действенные идеи, прогнозы и решения — это сложность объединения этих ресурсов данных между физическими системами и онтологическими (также известными как значимыми отношениями) разделами. Использование структуры графа или базы данных позволяет компаниям интегрировать новые источники данных, что быстро приводит к более гибким и комплексным системам AI/ML.

Кроме того, производительность и применимость самих моделей AI/ML можно улучшить, создав функции для моделей ML, найденные с помощью графовых алгоритмов. Эти методы могут повысить полезность данных, поступающих в модели AI/ML, позволяя им предоставлять более глубокое понимание, которое требует большего разнообразия данных и агрегирования данных. Графы знаний также могут помочь улучшить модели AI/ML, обогащая текст на естественном языке и поддерживая несколько схем данных для моделирования дополнительной сложности.

Объяснимость и прозрачность

Еще одна серьезная проблема — необходимость прозрачности и объяснимости систем AI/ML. С ростом использования ИИ и МО в процессах принятия решений стало важно понимать, как эти системы принимают решения, и объяснять эти решения заинтересованным сторонам. Графики, когда они визуализируются, интуитивно понятны людям и обеспечивают надежную объяснимость. Кроме того, метрики на графике могут отображать ключевые элементы данных и отношения между этими элементами для пользователей и разработчиков.

Стало очевидным, что управлять данными недостаточно, предприятия должны стать управляемыми знаниями. Чтобы совершить этот скачок, заинтересованные стороны должны иметь возможность быстро интегрировать новые данные в базу знаний своих приложений ИИ/МО, извлекать выгоду из ИИ/МО, основанного на знаниях, полученных из сложных взаимосвязей, которые в настоящее время скрыты при организации данных старой школы, и поверхностные результаты ИИ/МО в удобном для человека виде. Превращение в организацию, основанную на знаниях, благодаря применению графиков позволяет заинтересованным сторонам действовать с полным контекстом и полной уверенностью в своих решениях.

Посетите наш веб-сайт, чтобы узнать больше о будущем корпоративного ИИ

Чтобы узнать больше о том, как графическое машинное обучение может помочь развитию вашей компании, свяжитесь с нашей командой, чтобы организовать звонок: ‹[email protected]›.

Об авторе

Бетси Хиллиард — главный научный сотрудник Valkyrie, ведущей фирмы по искусственному интеллекту, машинному обучению и инжинирингу знаний в Техасе, которая стремится правильно определить проблему, чтобы решение работало на клиента. Ее опыт заключается в методах на основе графов (машинное обучение графов, графы знаний, характеристика сети). Она имеет степень магистра компьютерных наук в Университете Брауна, проводила исследования на стыке экономики и компьютерных наук и получила двойную специальность в области компьютерных наук и экономики в Университете Брандейса.