Bilgi grafiği, AI için bir sonraki sınır haline geldi, ancak nerede ilerlediğini biliyor musunuz?
Bilgi grafiği, başlangıçta Google tarafından arama motorlarının teknolojisini optimize etmek için önerildi ve uzantısı sürekli gelişim içinde genişletildi. Bilgi grafiklerinin mevcut gelişimini değerlendirerek, sesli asistanlar, sohbet robotları ve akıllı sorular ve cevaplar gibi birçok popüler yapay zeka senaryosunun uygulanmasına yardımcı oldu. Mevcut yapay zeka aslında basitçe algısal zeka (esas olarak resimlerin, videoların ve seslerin yeteneklerinin araştırılmasına odaklanan) ve bilişsel zeka (bilgi muhakemesi, nedensel analiz vb. İçeren) olarak ikiye ayrılabilir. Bilgi grafikleri bilişsel zekanın ana alanlarıdır. Teknolojilerden biri.
Kullanım kapsamı açısından bilgi grafikleri, genel bilgi grafikleri ve alan bilgisi grafiklerine bölünmüştür. Genel bilgi grafiği temel olarak İnternet odaklı arama, öneri ve Soru-Cevap gibi iş senaryolarında kullanılır. Genel bilgi grafiği genişliği vurgular ve verilerin çoğu İnternet'ten gelir. Ontoloji katmanı için tam bir birleşik yönetim oluşturmak zordur. Giderek daha fazla dikey alanda, bilgi grafikleri de yaygın olarak kullanılmaktadır ve üst düzey akıllı uygulamalar için altyapı desteği sağlayan temel veri hizmetleri haline gelmiştir. Bu makale, alan bilgisi grafiklerinin gelişimi ve zorluklarına odaklanmaktadır.
1. Etki alanı beynini oluşturmak
Bilgi grafiğinin oluşturulması, tüm uygulama zincirinin ilk ve önemli adımıdır.Grafik yapısının kalitesi doğrudan üst düzey uygulamanın etkisini belirler. Bilgi grafiği, çok kaynaklı heterojen verileri bir araya getirebilir.
Bazı endüstrilerde, alan bilgisi grafiklerinin oluşturulması, endüstrinin açık bir ağını hızla oluşturmak için genel bilgi grafiklerinden çok yapılandırılmış verilere dayanacaktır. Diğer sektörlerde, işlenmesi gereken neredeyse tüm veriler yapılandırılmamış verilerdir ve yüksek kaliteli bir bilgi grafiği oluşturmak daha büyük teknik zorluklarla karşı karşıyadır.
Bilgi grafikleri oluşturmanın teknik zorluklarında, alan bilgisi temsil modellemesi, varlık tanıma ve varlık bağlantı İlişki olayı çıkarma, örtük ilişki keşfi ve diğer teknolojiler güncel araştırma noktalarıdır.
Alan özelliklerine göre bilgi temsili yeteneğini geliştirin
Alan bilgi grafikleri genellikle çeşitli alanlarda benzersiz veriler toplar ve genel bilgi, belirli alanlarda sınırlamalar ve eksiklikler olduğunu gösterir.
Örneğin, zaman ve uzay birçok alanda önemli hesaplama boyutlarıdır ve varlık zaman serilerinin ve uzamsal özniteliklerin modellenmemesi, üst düzey uygulamaların kullanımını sınırlayacaktır. Örneğin, güvenlik alanında, varlıkların ve ilişkilerin verilerine ek olarak, daha güçlü zamansal ve uzamsal özelliklere ve zamanlılığa sahip geniş bir yörünge verisi kategorisi vardır ve toplam veri miktarı da daha büyüktür. Bu tür veriler hem varlık inşası hem de ilişki inşası için bilgi sağlasa da güçlü mekansal-zamansal özelliklere sahiptir ve varlık-ilişki topolojisine veya özniteliklerine doğrudan yansıtılamaz.
Ek olarak, en önemli boyutlar olan zaman ve uzay, genellikle çok sayıda aralık hesaplamaları ve toplama işlemlerini içerir. Bu nedenle, güvenlik bilgi haritasında, üçüncü bir nesne türü tasarlanacaktır: olay, varlık nesnesinin davranış verileri, yani: "özne" - "nesne" - "zaman" - "konum" - "zaman aralığı" ile - "Olay içeriği" ve diğer çeşitli bilgi verileri, olay nesneleri olarak yapılandırılır. Olay nesneleri genellikle bir zaman noktasında (segment) veya uzay noktasında (aralık) gerçek dünyadaki bir varlığın davranışını tanımlar. Önemli bir özellik, verilerin öznitelik değerinin değişmemesidir. Bu özellik, sistemi Olay verilerinin hem depolanması hem de hesaplanması optimize edilebilir.
Toplu yapılandırılmış veri işleme
Sektör bilgi grafiğinin temel öğeleri, nitelikleri, ilişkileri ve olayları çoğunlukla endüstrinin dahili yapılandırılmış verilerinden gelir. Çeşitli tarihsel nedenlerden dolayı, bu sistemlerdeki veriler genellikle düşük veri kalitesi, tutarsız veri standartları, meta veri açıklamasının olmaması, eksik veri sözlüğü ve eksik veri tutarlılığı gibi problemlere sahiptir. Toplu yapılandırılmış veri bilgi grafiği oluşturmanın zorluğu, esas olarak mühendisliğe nasıl ulaşılacağından kaynaklanmaktadır. Giderek daha fazla sistem, veri keşfi, veri anlama, veri temizleme, veri standardizasyonu, veri haritalama, veri ilişkilendirme, veri füzyonu vb. Yoluyla toplu ve akışlı bilgi oluşturma süreçlerini çözmek için eksiksiz bir mühendislik çözümleri seti gerektirir. İşin aşaması, farklı kalitedeki orijinal yapılandırılmış verilerden nihai bilgi haritasına kadar olan süreci tamamlamaktır.
Varlık tanıma ve ilişki çıkarma
Varlık tanıma, yapılandırılmamış verileri kullanarak bir bilgi grafiği oluşturmada önemli bir adımdır. Varlık tanımadan sonra varlık bağlama gereklidir. Varlık bağlama, bilgi grafiğinin içeriğini tamamlamak için mevcut bilgi tabanındaki karşılık gelen varlıkla bağlantı kuracak varlığı belirlemektir.
Kural istatistiklerine ve olgun algoritmalara dayalı geleneksel yöntemler, bazı varlıkların çıkarılması sorunuyla zaten başa çıkabilmektedir.Birçok alanda, varlık tanıma, birden çok yöntemin karma bir varlık tanıma hattını kullanır. Örneğin, belirli bir alanda CWS kullanmak, kişilerin, yerlerin ve kuruluşların adlarını tanımlamaktan; zaman, sıcaklık ve sıklık gibi genel varlıkları ve ayrıca zor alan varlıklarını tanımlamak ve standartlaştırmak için kural tabanlı açık kaynak bileşenlerini kullanmaktan sorumludur; biLSTM / CRF, tanınma doğruluğunu artırmak için otellerin, internet kafelerin ve diğer kurumların adlarının topluca öğrenilmesinden ve eğitiminden sorumludur.
Geleneksel varlık tanıma yöntemlerine ek olarak, varlık tanıma problemlerini çözmek için giderek daha fazla derin öğrenme algoritması kullanılmaktadır. Örneğin, CNN / LSTM, kelime pozisyonunun vektör temsilini öğrenmek için kullanılır, kayan pencere sınıflandırması fikri kullanılır ve hedef varlığı tahmin etmek için her ngramın cümle içindeki temsilini öğrenmek için sinir ağı kullanılır. Derin öğrenme yöntemi eğitimi uçtan uca bir süreçtir ve ilgili özellikleri manuel olarak tanımlamaya gerek yoktur. Tanıma doğruluğunu iyileştirmek için önceki bilgilerin derin öğrenme yöntemlerine nasıl entegre edileceği, mevcut araştırma noktalarından biridir. Mevcut aşamada, daha iyi sonuçlar elde etmek için derin öğrenmeyi kullanmak nispeten büyük miktarda eğitim verisi gerektirir, bu nedenle gerçek sorunlarla uğraşırken gerçek verilere dayanarak yargılarda bulunmalısınız.
Varlık tanıma ve bağlama, bilgi grafiği oluşturma ve bilgi uygulamasının temel teknolojileridir. Varlıkları çıkarırken, genellikle yapılandırılmamış verilerden ilişkileri çıkarırız. İlişki çıkarma daha zorlu bir görevdir. Etki alanı bilgi grafikleri genellikle önce önceden tanımlanmış ilişki çıkarımını çözer, çünkü etki alanına özgü ilişkiler farklı alanlarda mevcuttur ve önceden tanımlanmış ilişki çıkarmanın teknik zorluğu açık ilişki çıkarımından daha düşüktür.
Gerçek çalışmada, farklı ilişki türlerini çıkarmak için genellikle farklı yöntemler kullanırız. Daha yaygın olarak kullanılan yöntemler arasında model tabanlı ve uzman kural yöntemleri, yarı denetimli ve denetimli makine öğrenimi yöntemleri bulunur.
Kural tabanlı yöntem, düşük geri çağırma oranına ve yüksek uygulama maliyetine sahiptir. Makine öğrenimine dayalı ilişki çıkarma yöntemleri hakimdir. Bununla birlikte, yarı denetimli ilişki çıkarımıyla elde edilen bilgi anlamsal bilgiden yoksundur ve denetimli ilişki çıkarımı, eğitim verileri olarak büyük miktarda yüksek kaliteli, manuel olarak açıklanmış veriler gerektirir.Yapay başarı çok yüksek değildir.Şimdiden önce, ilişki çıkarma araştırmalarının çoğu hala tahmin üzerine odaklanmıştır. Tanımlanan ilişki çıkarılır.
Ek olarak, ilişki çıkarma, endüstri verilerinin özelliklerine bağlı olarak bazı zorluklarla karşılaşacaktır.Örneğin, genellikle referans çözümleme ile uğraşmamız gerekir.Bunun nedeni, kullanıcıların ilgilendiği varlıklar ve varlıklar arasındaki anlamsal ilişkilerin genellikle metnin farklı yerlerine dağılmış olmasıdır. Varlıklar genellikle birçok farklı şekilde ifade edilebilir. Belirli bir alanda, geleneksel sınıflandırma fikirlerini ve kümeleme benzerlik yöntemlerini kullanmaya çalışmak, kullanılabilir sonuçlar elde edebilir ve gittikçe daha fazla çalışma, referans çözümleme problemini çözmek ve ilişki çıkarmanın verimliliğini artırmak için derin pekiştirmeli öğrenmeyi başlatmıştır.
Eğitim verisi eksikliği sorununu çözmek için
Denetimli makine öğrenimi algoritmaları, varlık tanıma ve ilişki tanıma sürecinde kullanılır ve birçok eğitim modeli için gerekli olan büyük verilerin birçok alanda elde edilmesi zordur, bu da pratik sorunların karşılaştığı zorluklardan biridir. Transfer öğrenimi, daha az eğitim verisi sorununu çözmenin yollarından biri olarak kabul edilir, ancak pratik uygulamalarda karşılaşılan olgunluk ve sınırlamalar açısından, giderek daha fazla çözüm, eğitimi çözmek için endüstri verilerinin nasıl verimli bir şekilde etiketleneceğine odaklanmaya başlıyor. Uygulama maliyetlerini düşürmek ve uygulama yeteneklerini geliştirmek için veri sorunları.
a Endüstri verilerini verimli bir şekilde etiketleyin
Pratik uygulamalarda, özellikle kurumsal hizmetlerde, alan sorunları için kullanılan metnin ifade ve dil alışkanlıkları, genel metin verilerinden oldukça farklıdır. Günümüzde, transfer öğrenimi gibi teknolojiler olgun olmadığında, algoritmaları ayarlamaktan ziyade mevcut verileri etiketlemek daha iyidir. Etiketli veriler çok sayıda veri kümesi oluşturabilir.Bu veri kümeleri, eğitilmiş NLP modelinin kalitesiyle yakından ilgilidir Modelin kalitesi, metin madenciliği ve doğal dil işlemenin kalitesi ile ilgilidir. Şimdiye kadar, veri ek açıklaması hala çok fazla insan gücü ve malzeme kaynağı gerektiren bir görevdir. Bu nedenle, verimli açıklama çalışması bilgi oluşumunu hızlandırabilir ve ayrıca insan gücü ve malzeme kaynaklarından büyük ölçüde tasarruf sağlayabilir.
Sözlüklerin kullanılması, derin öğrenme modellerinin kullanılması ve aktif öğrenme tekniklerinin kullanılmasıyla etiketlemenin verimliliğinin artırılması sağlanabilir. Genel olarak konuşursak, olgun etiketleme araçları, kullanıcıların otomatik etiketlemesine yardımcı olacak zengin sözlükler sağlayacaktır. Derin öğrenme modeli, açıklama araçlarında da yaygın olarak kullanılan bir teknolojidir.Kullanıcıların etiketlemesine yardımcı olmanın yanı sıra, derin öğrenme modelleri, kullanıcıların hızlı bir şekilde bir alan modeli oluşturmasına ve kullanıcıların alan metni madenciliği sorunlarını çözmesine yardımcı olabilir.
Ayrıca aktif öğrenme teknolojisi tanıtıldı. Aktif öğrenme teknolojisi, aslında hangi verilerin daha değerli olduğunu hesaplamak için bir öğrenme algoritması kullanmak, etiketleyicinin etiketlemesine izin vermek ve ardından bu verileri, algoritmayı eğitmek için eğitim örnek kümesine eklemek. Aktif öğrenme teknolojisinin kullanılmaya başlanmasından sonra, daha büyük etiketli veriler daha yaygın olarak bulunabilir.Aynı zamanı harcama durumunda, aktif öğrenme teknolojisini benimseyen kullanıcılar tarafından etiketlenen verilerin değeri daha yüksektir.
Ek açıklama çalışması, alandaki yapılandırılmamış verilerin işlenmesi için temel iştir ve aynı zamanda en yoğun emek gerektiren ve zaman alan çalışmadır.Yazarın şirketi, bu çalışma için alan odaklı verimli bir açıklama aracı olan Raptor da geliştirmiştir.
b Transfer öğrenmeyi kullanmayı deneyin
Eğitim verilerinin eksikliğiyle karşı karşıya kalan daha fazla çalışma, eğitim verilerinin eksikliğini gidermek için transfer öğrenmeyi kullanmaya çalışıyor. Geçiş öğrenimi fikri, eğitim öncesi modelde yeniden kullanılabilir özelliklerin çıktısını alabilen bir seviye bulmak ve daha sonra bu seviyenin çıktısını daha az parametre gerektiren daha küçük ağları eğitmek için girdi özellikleri olarak kullanmaktır. Şu anda, transfer öğrenimi, kaynaklar yetersiz olduğunda kullanılan yapay zekanın tercih edilen teknolojisi haline geldi ve yavaş yavaş belirli alanlardaki belirli veri kümeleri için bilgi grafiklerinin inşasına uygulamaya çalışıyor. Gerçek kullanımda, geçiş öğrenimi genellikle gürültü yaratır ve çok sayıda profesyonel parametre hata ayıklama işlemi gerektirir, bu da pratik uygulamalara zorluklar getirir.
Gizli ilişkiler kurun
Alan bilgisi grafiğini oluşturma sürecinde ilişkiler, açık ilişkiler ve örtük ilişkiler olarak bölünebilir. Açık ilişki, doğrudan orijinal verilerden çıkarılabilen ilişkiyi ifade eder ve örtük ilişki, karmaşık hesaplamalar ve veri madenciliği yoluyla hesaplanması gereken dinamik ilişkiyi ifade eder. Pek çok alanda, örtük ilişkilerin kurulması büyük ölçüde tüm haritanın akıllı uygulamaları ne kadar iyi desteklediğini belirler ve harita analizi, muhakeme ve madenciliğin verimliliğini artırmada kilit bir rol oynar. Pek çok örtülü ilişki türü vardır ve yapım yöntemleri endüstri verilerinin özellikleri açısından farklıdır, ancak bunların çoğu endüstri kurallarının, ilişki madenciliği algoritmalarının, grafik hesaplamanın ve diğer teknik araçların kullanımını içerir.
Bazı alan bilgisi grafikleri oluşturma sürecinde, örtük ilişkilerin kurulması en önemli adımdır. Bilgi tabanı beyinle karşılaştırılırsa, örtük ilişki kurgusu, beynin düşünme yoluyla sürekli yeni bilgiler öğrenmesi sürecine benzer. Bilgi grafiğinin genel sistem mimarisini tasarlarken, örtük ilişkiler kurma süreci, nihai bilgi grafiğinin kalitesini iyileştirmek için hizmet odaklı olabilir.
2. Büyük ölçekli alan bilgi grafiğinin depolanması ve hesaplanması
Grafik verilerine dayalı hibrit depolama
Büyük ölçekli alan bilgisi grafiğinin depolama çözümü genellikle grafik veritabanını kullanır. Grafik veritabanı, bilgi grafiğindeki varlıkları ve varlıklar arasındaki ilişkileri depolamak için doğal olarak uygundur. Bununla birlikte, çoğu alanda, grafik depolama, bilgi grafiği depolamaya eşdeğer değildir. Çoğu alanın yalnızca varlık ilişkisi verileri değil, aynı zamanda alandaki uzay-zamansal yörüngeler, etiketler ve çıkarım kuralları gibi önemli bilgi verileri de vardır. Son zamanlarda, alan bilgi grafiklerinin depolanması, çoğunlukla bilgi tabanındaki öğeleri özelliklerine göre çeşitli veri yapılarında depolayan ve verilerin nihai tutarlılığını sağlayan karma bir depolama modelini benimsemektedir. Aşağıdaki resim, grafik veritabanlarının mevcut sıralamasıdır.Veritabanı perspektifinden, grafik veri depolamayı destekleyen giderek daha fazla veritabanının zaten birden fazla veri modelini desteklediğini görebilirsiniz.
Kaynak: https://db-engines.com/en/ranking/graph+dbms
Bazı alanların bilgi deposunda süper düğüm problemleri ve ilişki patlaması ile karşılaşmak kolaydır. Veri kesintisi sırasında süper düğümlerle veya süper uçlarla karşılaşıldığında sistem performansının nasıl sağlanacağı her zaman bir zorluk olmuştur. Önceki paylaşımda yazar, bilgi grafiği veritabanı NEST'in süper düğümler ve ilişki patlaması sorununu nasıl optimize ettiğini tanıttı, bu yüzden burada ayrıntılara girmeyeceğim.
Prosedürel bilgi depolama
Şu anda, genel bilgi grafiğine dayalı muhakeme teknolojisi çok ilerleme kaydetmiştir. Muhakeme teknolojisi, sembol bazlı muhakeme ve istatistik bazlı muhakeme olarak ikiye ayrılabilir. Sembol tabanlı teknoloji, kuralların ve klasik mantığın benimsenmesini ifade ederken, istatistiksel tabanlı teknoloji, makine öğrenimi algoritmalarının uygulanmasını ifade eder. Ancak bu teknolojileri sahaya koyduğumuzda, muhakeme teknolojilerinin çoğu genellikle pratik uygulamalardan uzaktır. Bilgi muhakemesinin kapsamını genişletirsek, prosedürel bilgi perspektifinden bu alanda bilgi muhakemesinin nasıl daha iyi yapılacağını görebiliriz.
Genellikle alan bilgi haritasını alanın beyniyle karşılaştırırız Beyin düşünme ve öğrenme yeteneğine sahiptir. Etki alanı bilgi haritasındaki veriler bildirimsel bilgi ve prosedürel bilgi olarak ikiye ayrılabilir.Döndürücü bilgi beyindeki hafıza gibidir, prosedürel bilgi ise beyinde düşünmektir. Prosedürel bilgi, alan uzmanlarının endüstri deneyimlerinin prosedürelleştirilmesi olabilir veya bir endüstri kuralı veya bir endüstri mantığı parçası veya hatta birleşik bir karmaşık model olabilir. Prosedürel bilginin birleşik bir biçimde nasıl saklanacağı ve insan düşüncesi yollarının makine yollarına nasıl dönüştürüleceği de sektörde sıkça tartışılan sıcak bir konudur.
Sürekli olarak yeni bilgi verileri oluşturun
Şu anda, akıllı uygulamalara olan talep giderek daha fazla hale geliyor ve alan bilgi haritasının daha akıllı olması ve üst düzey uygulamaları desteklemek için daha fazla bilgi verisi toplaması gerekiyor. Bilgi grafiği ile veri madenciliği arasındaki ilişki genellikle tamamlayıcıdır. Bilgi grafiği yalnızca yönetilen bilgi verilerini toplamakla kalmaz, aynı zamanda üretilen bilgiyi makine öğrenimi algoritmalarına uygulayarak, tıpkı beynin sürekli öğrenmesi gibi, bilgi tabanını geri beslemek için sürekli olarak yeni bilgiler üretir. Aşağıdaki şekil, bilgi grafiğinin içeriğini sürekli olarak zenginleştirmek ve nihayetinde uygulamayı daha akıllı hale getirmek için bilgi yoluyla makine öğrenimini geliştirme sürecini göstermektedir.
3. Bilgi grafiği etkileşiminin ilerlemesi
Alan bilgisi grafiklerinde bilgi edinmek için sorgu dilini kullanmanın yanı sıra, giderek daha fazla araştırma, etkileşimin giriş noktası olarak doğal dili kullanmaya, yani alan bilgisi grafiklerine dayalı soru cevap gerçekleştirmeye odaklanmaktadır. Akıllı soru yanıtlama, doğal dil anlayışı ve niyet tanıma gerektiren birçok doğal dil işleme teknolojisini içerir.
Aşağıda, Minglue tarafından geliştirilen etkileşimli bir portal olan LiteMind'deki doğal dil anlama çalışmasını kısaca tanıtıyoruz. Doğal dil anlama işlevi, temelde yapılandırılmamış doğal dili yapılandırılmış niyet anlamsal temsiline dönüştürmekten sorumludur.
Her şeyden önce Xiaoming, kullanıcı tarafından doğal dil girdisini kabul eder, genel varlıkları ve alan varlıklarını tanımlamak için NER bileşenini, duckling kural modelini, alan sözlüğünü, biLSTM / CRF'yi ve diğer modelleri kullanır ve varlık standardizasyonunu tamamlar.
İkinci olarak, yerleşik derin öğrenme modeli aracılığıyla, varlıklar vektörleştirilir ve cümleler zaman serisi vektörlerine dönüştürülür.LSTM katmanı girilerek dil özellikleri otomatik olarak çıkarılır ve özellikler tamamen bağlı ağ katmanı tarafından sınıflandırılır. Kullanıcıların yalnızca belirli bir iş alanındaki topluluk verilerini sağlamaları, çevrimiçi eğitime başlamaları ve bu alanda derin bir öğrenme modeli edinmeleri gerekir. Derin öğrenme modeli aracılığıyla, doğal dile karşılık gelen her bir niyetin olasılığı hesaplanabilir ve varlık, amacın standartlaştırılmış yuvasına doldurulabilir (yani geri alma koşulu), böylece doğal dil anlayışına dayalı olarak niyet operasyonu tamamlanmış olur.
4. İniş alanında bilgi grafiğinin uygulanması
Alan bilgisi grafiklerinin uygulaması şu anda arama, öneri, soru-cevap, açıklama ve karar verme yardımına odaklanmaktadır. Bulut platformları veya veri merkezleri için üst düzey uygulama tüketimine kadar temel veri hizmetleri olarak bilgi grafikleri sağlayan giderek daha fazla şirket var.
Etki alanı bilgi haritasının verimli bir şekilde uygulanması, son derece mühendislik bir iştir.Sadece yukarıdaki teknik zorlukları etkin bir şekilde çözmekle kalmaz, aynı zamanda eksiksiz bir metodoloji ve uygulama süreci setine de sahiptir. Aşağıda, son yıllarda endüstri bilgi haritalarını uygulama sürecinde özetlediğimiz bir dizi mühendislik süreci yer almaktadır.
Algılama ve biliş arasında bağlantı kurun
Alan bilgisi grafiği, bilişsel zekanın temelidir, ancak sektördeki yapay zekanın gerçek gücü, genellikle algı ve bilişin açılmasının ve eksiksiz yapay zeka yetenekleri aracılığıyla sektöre entegre hizmetler sağlamanın sonucudur. Algısal hesaplama, temelde bilişsel hesaplama için bir veri temeli sağlar. Şu anda, endüstrideki algısal hesaplama, çeşitli yapılandırılmış verileri, yapılandırılmamış verileri, metinleri, görüntüleri, videoları ve diğer çok boyutlu verileri ve işlemin sonuçlarını "semboller" şeklinde işler ve bilgi haritasına girer. Mükemmel endüstri zekası çözümleri, gelişmiş algılama teknolojisi, bilişsel teknoloji ve sektördeki diğer tüm bileşenleri birbirine bağlamalıdır.
5. Özet
Bilgi grafiği, gerçek dünyaya en yakın veri organizasyon yapısıdır, insan düşünce moduna uygundur ve yapay zeka uygulamaları için temel bir ortam sağlayabilir. Alan bilgisi grafikleri şu anda birçok sektörde giderek daha önemli bir rol oynuyor ve teknik zorluklar da sürekli olarak ilerliyor. Umarım endüstri uygulamalarının akıllı hale getirilmesine yardımcı olmak için daha fazla alan bilgisi grafiği uygulanacaktır.
yazar hakkında Meng Jia , Minglue Veri Teknolojisi Ortağı. Minglue Data'ya 2014 yılının sonunda katıldı ve ekibi, bilgi haritası ürün hattının teknik lideri ve teknoloji merkezinin baş mimarı olarak bilgi haritası veritabanı NEST, yapay zeka Soru-Cevap portalı LiteMind ve bilgi haritası tabanlı analiz platformu SCOPA'yı geliştirmeye yönlendirdi.
