语义知识图飙升到AI的前沿

知识图谱可能不像机器学习,自然语言处理那样广受赞誉,也没有像它们在对话式AI应用程序中的综合那样具有未来性,但是它们在现代认知计算堆栈中同样至关重要(如果没有必要)。

实际上,这些语义图存储库通常为机器学习和NLP在组织之间提供实际业务价值所依赖的基础。

知识图的两个关键方面使它们成为统计AI部署的理想之选,它们是自然发展的,可变的数据模型和标准化的词汇表,它们扩展到定义明确的分类法中。

因此,语义图非常适合于对各种数据类型,结构和格式进行建模,因为它们可以协调语义图,从而即使在最不同的数据集之间也能提供高度上下文相关的关系识别。

该技术最实用的用例之一是标准化整个企业中的数据,以便跨部门访问组织内最相关的信息及其基本概念。

根据 知识输出 首席执行官Digvijay Lamba说:“在整个企业中获取信息非常重要,这几乎适用于所有行业。在任何行业中,销售人员去拜访潜在客户时,他都想知道营销(团队)是否发送电子邮件?以前有合同吗?您需要所有这些信息才能与客户合作。”

灭火筒仓

知识图 以声明性语句的形式将数据存储为事实。除了通过推理现有事实而得出新事实的智能推理(这对于理解数据集之间的关系至关重要)外,他们的主要认知计算优势是尽管数据源存在固有差异,但它们仍能够标准化数据。

该功能使组织可以针对任何用例利用整个企业的通用数据模型。基础数据模型扩展为包含与各个部门相关的各种业务概念,因为它们都基于相同的模型。 Lamba透露:“业务团队正在做的每一件事都会与主数据模型或其他团队正在做的事情有关。”

这种方法的实用性是巨大的。不同部门可以根据业务概念,术语和选择工具来针对自己的需求定制模型。总体而言,该统一模型的一致性遍及各个部门:“因此,您可以查看差异,了解它们之间的关系,并在某种意义上管理整个模型,” Lamba承认。如果没有这种统一的方法,组织将仅创建数据孤岛,而这些孤岛在整个企业中进行集成的成本很高。

经常性业务价值

由于语义图的统一 数据模型 ,例如,销售人员可以轻松确定公司以前与潜在客户之间的所有互动(跨业务部门),以获取有关营销和定价的相关信息。这种洞察力几乎肯定会帮助获得更好的业务成果。与客户进行交互时,整个组织中的数据横向视图应使客户服务代理视为不满意。此方法还可以用作开发全面的360度客户视图的方法。

Lamba评论说,由于语义知识图通过集中方式管理其数据模型中表示的概念的术语,因此“在数据模型中您可以具有依赖项,关系等”。 “在内部是一张图,但是由于模型中的关系和类似的事情,您可以将其他人的工作赶走。”

对于试图维护模型的数据建模者或IT部门而言,这一特性不仅仅是学术兴趣。相反,它表示一个事实,即业务用户可以将彼此的建模概念用作自己的出发点,从而有效地使他们从同事的努力中获利。在制药,生命科学和医疗保健等行业中,这种能力对于缩短新药上市时间或为潜在的有害状况设计潜在的治疗方法而言是无价的。

“您可以在其他团队所做的事情中分层业务逻辑,可以利用他们开发的语言并在此基础上创建自己的派生语言,” Lamba表示。该语言与基础业务概念以及创建它们所进行的任何研究或工作有关。随后,各个部门的不同用户不必重新创建其他人将其应用于自己的用例的宝贵工作。

企业知识

知识图的通用数据模型可传播任何特定领域,学科或用例的企业知识。无论是推动销售,完善客户互动还是发现新方法以改善社会,人工智能的这一支柱对于利用数据驱动的流程至关重要。与机器学习的元素配对以自动将传入的数据源映射到模型和NLP以自然语言声明业务规则时,语义知识图使AI成为实现所有组织目标的有意义的推动力。

Image Credits
Featured Image: NeedPix

贡献者

耶拉尼·哈珀(Jelani Harper) 是为信息技术市场服务的编辑顾问。他专门研究数据驱动的应用程序,重点是语义技术,数据治理和分析。

贡献者表达的观点是他们自己的观点。

关于耶拉尼·哈珀(Jelani Harper)

耶拉尼·哈珀(Jelani Harper) 是为信息技术市场服务的编辑顾问。他专门研究数据驱动的应用程序,重点是语义技术,数据治理和分析。

查看Jelani Harper的所有帖子→