Organizacijos susiduria su didžiuliu iššūkiu diegti dirbtinį intelektą: kaip panaudoti savo srities žinias, kad dirbtinį intelektą būtų galima naudoti taip, kad būtų pasiekti patikimi rezultatai. Žinių grafikai suteikia trūkstamą AI „tiesos sluoksnį“, kuris tikimybinius rezultatus paverčia realaus verslo pagreitinimu. • 🚀 DI diegimas spartėja, tačiau dauguma diegimų nesuteikia laukiamos verslo vertės • 🔍 Žinių diagramos yra esminis „tiesos sluoksnis“ patikimoms AI sistemoms • 🔄 Pragmatiškas AI sujungia LLM kūrybinį potencialą su žinių grafikų tikrinimo galimybėmis Įvadas „Kontekstas yra tai, kas suteikia prasmę beveik viskam. Taigi tokiu mastu visi grafikai turi būdingą potencialą suteikti daugiau žinių ar prasmės, nes jie jau žengė pirmąjį žingsnį pripažindami informacijos tarpusavio ryšį ir kontekstinį pobūdį. Gyvename pasaulyje, kuriame dominuoja dirbtinis intelektas ir dideli kalbos modeliai (LLM), ir pasirodo, kad kontekstas ir prasmė yra būtini norint gauti kokybiškų rezultatų. Žinių grafikai gali būti raktas į kontekstą ir prasmę, padedančią atskleisti AI potencialą, o tai patvirtinančių įrodymų vis daugėja. Naujausio išleidimo proga „Gartner“ AI tyrimų viceprezidentė Svetlana Sicular , kad investicijos į DI pasiekė naują aukštumą, daugiausia dėmesio skiriant generuojamajam AI. Tačiau daugeliu atvejų tai dar nesuteiks numatomos verslo vertės. „Gartner Hype Cycle for Artificial Intelligence“ pažymėjo kuriuos lyderiai gali laikyti savo strategijos dalimi, žinių diagramos yra svarbiausių įgalinimo technologijų pagrindas. „Gartner“ rekomenduoja žinių diagramas kaip itin svarbias kuriant ir tobulinant „GenAI“ modelius. Tokios organizacijos kaip ir naudoja žinių grafikus, ir . „Gartner“ naujų technologijų sąraše, „Amazon“ „Samsung“ tikimasi, kad rinka iki 2030 m. išaugs iki 6,93 mlrd. USD, o CAGR sieks 36,6 % „Gartner“ pastaruosius kelerius metus pasisakė už žinių grafikų vaidmenį dirbtinio intelekto srityje ir paskesnį poveikį organizacijose, nes nei technologija, nei vizija nėra naujiena. , o tokie žmonės kaip anksti suprato jos potencialą kaip AI tiesos sluoksnį. Žinių grafikų technologija egzistuoja dešimtmečius Tony Seale https://www.youtube.com/watch?v=hIKfKx8MB8s&embedable=true Seale, taip pat žinomas kaip "Žinių grafo vaikinas", yra to paties pavadinimo konsultacinės įmonės įkūrėjas. Aukščiau pateikta citata paimta iš plataus pokalbio, apimančio viską nuo žinių grafiko pirmųjų principų iki saugių, patikrinamų AI taikymo modelių, realios patirties, tendencijų, prognozių ir tolesnių veiksmų. 🧠 Žinių diagramos ir AI kontekstas • Nepaisant didelių dirbtinio intelekto investicijų, dauguma organizacijų dar turi užtikrinti numatomą verslo vertę • Kokybiškiems AI rezultatams būtinas kontekstas ir prasmė • Žinių grafikai yra esminis AI sistemų konteksto sluoksnis • Žinių grafikai yra labai svarbūs konkurencingos GenAI strategijos įgalintojai Nuo duomenų talpyklų iki susietų duomenų ir žinių schemų Seale turi dešimtmečių patirtį dirbant su duomenimis 1 lygio finansų institucijose. Maždaug prieš dešimt metų jis dirbo su „dar vienu projektu“ dideliam investiciniam bankui, perkeldamas duomenis į duomenų saugyklą ir diegdamas duomenų srautus. Tai tipiškas būdas patenkinti organizacijos ataskaitų teikimo ir atitikties poreikius. Problema ta, kad . ETL jis nekeičia masto ir nepadeda pridėti konteksto ir prasmės Tada Seale'as susipažino su ir tai viską pakeitė. 2010 m. „Google“ tik įsitraukė į žinių diagramas, o . Tačiau technologija buvo ten, naudojant susietų duomenų pravardę. TBL TED pokalbio pakako, kad Seale'as suprastų 2 pagrindinius susietųjų duomenų principus ir pradėtų eksperimentuoti su tuo kaip alternatyva ETL. Timo Bernerso Lee 2010 m. TED pokalbiu apie susietus duomenis šis terminas dar nebuvo išryškėjęs yra taikyti bendrą pasaulinio žiniatinklio architektūrą, kad būtų galima dalytis struktūriniais duomenimis pasauliniu mastu. Viskas priklauso nuo to, kad duomenims naudojami HTTP identifikatoriai, kad būtų galima juos ieškoti, ir informacijos apie jų reikšmę (semantiką) pateikimas naudojant standartus. Pagrindinė susietųjų duomenų idėja https://www.youtube.com/watch?v=OM6XIICm_qo&embedable=true Seale suprato, kad jei decentralizuotas šio požiūrio pobūdis gali būti naudingas žiniatinklyje, jis gali būti naudingas bet kuriai organizacijai. Užuot turėję vieną centrinį integravimo ir valdymo tašką, kuris yra de facto ETL projektų ir duomenų saugyklų metodas, žinių grafikai leidžia išplėsti mastą per decentralizaciją ir standartus. Tai yra tie patys principai, kuriais remiantis veikia žiniatinklis. Nenuostabu, kad žiniatinklio išradėjas norėjo jį perkelti į kitą lygį, kad iš dokumentų tinklo pereitų į duomenų tinklą. Tačiau šis metodas papildo mišinį ne tik prieiga prie duomenų, bet ir semantikos. Duomenų taškai ir nuorodos tarp jų gali turėti konkrečią reikšmę ir su jais susijusius tipus. Geriausias žiniatinklio masto semantikos pavyzdys yra . Schema.org yra bendras darbas siekiant apibrėžti standartinį žodyną, kurį . Be semantikos apibrėžimo naudojant standartus, . schema.org naudoja 30 % visų svetainių ir 72,6 % puslapių pirmame Google puslapyje schema.org leidžia anotacijas ir integraciją keisti decentralizuojant 🌐 Susietų duomenų fondai • Susieti duomenys taiko žiniatinklio architektūros principus dalindamiesi struktūriniais duomenimis • Naudoja HTTP identifikatorius, kad būtų galima sistemingai ieškoti duomenų • Pateikiama informacija apie reikšmę (semantiką) naudojant standartus • Įgalina organizacinį mastą per decentralizaciją • Schema.org yra semantinių standartų pavyzdys žiniatinklio mastu AI atitinka žinių grafikus Schema.org yra tai, kas leidžia pasaulio „Google“ . Tai tas pats požiūris, su kuriuo Seale'as pirmą kartą pradėjo žaisti kaip projektas investiciniame banke, kuriame jis tuo metu dirbo, tikėdamasis, kad jis žlugs. Nebuvo. kurti savo žinių diagramas ir geriau suprasti žiniatinklį Pradinės sėkmės paskatintas Seale'as tapo aistringu žinių grafiko propaguotoju ir inicijavo daugybę susijusių projektų. Kai buvo išleisti pirmieji GPT didelių kalbų modeliai, jis perkėlė organizacijas, siekdamas savo aistros. Seale pradėjo eksperimentuoti su LLM ir netrukus įsitikino dviem dalykais. Pirma, LLM turės didžiulį poveikį. Antra, LLM puikiai tinka žinių diagramoms. Jis pradėjo dalytis savo idėjomis „LinkedIn“ ir paplito. Galiausiai jis įkūrė savo konsultacinę įmonę ir dabar dirba jas įgyvendindamas su daugeliu klientų. „Visos organizacijos turės susitaikyti su realybe, kad pereiname į labiau tikimybinį pasaulį. Taigi visi turi pradėti naudoti dirbtinį intelektą, kitaip tikriausiai baigsite verslą. Mes pereiname į šį naują pasaulį, kuriame viskas bus tikimybė, o dirbtinis intelektas bus įtrauktas į daugelio sprendimų priėmimo procesą. Galbūt jums tai nepatiks arba turite kokią nors nuomonę, bet tai nerūpi. Tai tam tikra gamtos jėga, kuri vyksta, todėl taip pat galite tiesiog prie to priprasti. Taigi iš tikrųjų kyla klausimas, kaip tai padaryti saugiai. Ir, mano nuomone, tai ateina per išorinį patikrinimą “, - sakė Seale. Tai yra jo propaguojamo požiūrio esmė. Jame yra modelių su įmantriais pavadinimais, pvz., Darbinės atminties grafikas ir Neuroninė-simbolinė kilpa, ir pavyzdžiai nuo DeepSeek iki Cyc projekto. Tačiau prieš pasineriant į tai, verta trumpam sustoti, kad susigrąžintume pirmuosius principus. 🤖 AI ir žinių schemos integravimas • LLM ir žinių grafikai papildo vienas kitą • Judame link tikimybinio pasaulio, kuriame dirbtinis intelektas bus įtrauktas į sprendimų priėmimą • Išorinis patikrinimas naudojant žinių grafikus sukuria saugesnį AI • Organizacijos turi prisitaikyti prie šios pamainos Pirmieji principai: grafikai ir žinių grafikai Taigi, kuo grafikai skiriasi nuo kitų duomenų struktūrų ir kuo žinių grafikai skiriasi nuo kitų grafikų? Tai galime padaryti įgyvendinimo lygmeniu arba pirmuoju principų lygiu. Nepriklausomai nuo to, ar kalbame apie skaičiuoklę ir minčių žemėlapį, reliacinės duomenų bazės eilutes ir stulpelius ir grafų duomenų bazės mazgus ir kraštus, ar aibės teoriją ir grafų teoriją, grafą išskiria vienas dalykas: ryšiai kaip pirmos klasės piliečiai. Tačiau . ne visi grafikai yra žinių grafikai Grafo mazgai ir briaunos gali būti skirtingų tipų. Paprastas grafikas gali apimti mazgus, vaizduojančius produktus, ir briaunas, vaizduojančias bendrą ryšį tarp jų. Dvišalis grafikas gali turėti dviejų skirtingų tipų mazgus, vaizduojančius produktus ir klientus, ir kraštus, nurodančius, kuris klientas kokį produktą įsigijo. Heterogeninis grafikas gali turėti įvairių tipų mazgų ir briaunų. Pavyzdžiui, mazgai, atstovaujantys produktus ir klientus, ir briaunos, nurodančios, kuris klientas pirko kokį produktą ir kokį produktą kuris klientas peržiūrėjo. Grafikai yra naudingi net paprasčiausiu įmanomu lygiu. Grafikų algoritmai, tokie kaip kelio radimas ir centralizavimas, gali būti labai naudingi programoms ir analizei, todėl jiems nereikia nevienalyčių grafikų. „Kai pradedi sakyti: na, iš tikrųjų, ne, kai kurie iš šių mazgų yra skirtingi dalykai, o kraštai tarp jų yra specialūs skirtingų tipų briaunos, kurios kažką reiškia, tada sudėtingumas didėja. Keičiasi galimų paleisti algoritmų pobūdis, įskaitant mašininio mokymosi algoritmus. Manau, kad galėtume tai pavadinti pradiniu lygiu, kas yra žinių grafikas“, – pažymėjo Seale'as. Atkreipkite dėmesį į „pradžios lygio“ dalį. . Remiantis šiomis idėjomis, standartais ir techniniais elementais, buvo sukurti susietųjų duomenų principai. „Semantinis internetas“ užgeso, kol „Žinių grafikas“ užfiksavo. Čia yra ilga ir sudėtinga istorija, prasidedanti XX a. pradžioje ir semantiniu žiniatinkliu Semantinis internetas, be abejo, pralenkė savo laiką. Daugelis įgyvendinimo pastangų buvo klaidingos, o jos šalininkai ne visada buvo pragmatiški. Tačiau, kaip pažymėjo Seale'as, neuroniniai tinklai taip pat ilgą laiką buvo laikomi šnipštu. URI naudojimas kaip identifikatorius ir bendras žodynas bei sutarta schema išlieka žinių grafikų bruožais ir jų teikiama verte. 📊 Grafikos pagrindai • Grafikai skiriasi nuo kitų duomenų struktūrų tuo, kad ryšius traktuoja kaip pirmos klasės piliečius • Ne visi grafikai yra žinių grafikai • Žinių grafikai suteikia mazgams ir briaunoms semantinę reikšmę • URI kaip identifikatoriai ir bendri žodynai yra žinių grafikų ypatybės Nepertraukiamas pasaulis ir atskiras pasaulis Struktūra ir semantika, kurią suteikia žinių grafikai, įgalina dalykus, kurie tiesiog neįmanomi naudojant kitus duomenų tipus ar net kitus grafikus. Seale'as mano, kad kiekviena organizacija turėtų dirbti su savo schema.org versija ir naudoti ją savo duomenims komentuoti, kurti žinių grafikus, kad galėtų veikti savo AI. Seale naudojo kaip pavyzdį, kad paaiškintų tikrintojo metodą. Kaip ir visi kiti, Seale'as buvo apsėstas „DeepSeek“ ir bandė išsiaiškinti, ką jie padarė. Be protingų algoritmų ir optimizavimo, „DeepSeek“ sėkmės pagrindas yra tai, kad . DeepSeek jie naudojo patikrinamus duomenis mokymuisi sustiprinti: matematiką ir kodą „Jie paėmė visus žiniatinklio duomenis, kaip tai daro visi. Bet tada jie ištraukė tik su matematika ir kodavimu susijusias smulkmenas. Su tuo galite sukurti išorinį tikrintuvą. Galite pažvelgti į matematiką arba kodą, tada galite pažvelgti į atsakymą pabaigoje ir patikrinti, ar atsakymas iš tikrųjų teisingas. Tada galite pateikti tai LLM ir paprašyti, kad LLM tai padarytų, o tada patikrinti išorinį formalų tikrintuvą. Tai, ką tai daro, yra tikimybinio modelio kokybės kontrolė“, – paaiškino Seale. Tada Seale'as išsamiai papasakojo apie tai, ką jis vadina . Ištisiniame pasaulyje viskas yra tikimybinė, viskas neaišku, ir štai kur yra šie generatyvūs AI modeliai. Vienas dalykas susilieja su kitu ir atsiranda haliucinacijų. Tačiau, pasak Seale'o, kita pusė yra ta, kad ten yra kažkas panašaus į kūrybiškumą. tęstiniu pasauliu ir atskiruoju pasauliu pasaulyje yra legenda. Cyc yra labai ambicingas dirbtinio intelekto projektas, kuriuo siekiama formaliai užkoduoti bendras žinias apie pasaulį. Seale labai gerbia Cyc. Tačiau jis pažymėjo, kad Cyc nepasisekė ir negalėjo pasisekti, o generatyvieji AI modeliai tai daro savaip. Tačiau jie turi savo trūkumų. Senamadiškame AI Cyc projekto Generatyviais AI modeliais negalima pasitikėti, todėl jie netinkami naudoti įmonėse tokiose srityse kaip finansai, teisė ar medicina. Tokiuose domenuose kaip matematika ar kodas, rezultatus galima patvirtinti oficialiai. O jei būtų būdas tai padaryti ir kitose srityse? Seale'as mano, kad yra, o raktai yra žinių grafikai ir ontologija. 🌓 Nuolatinis prieš diskretišką pasaulį • Nuolatinis pasaulis: tikimybinis, neryškus, kūrybingas, bet linkęs į haliucinacijas (LLM) • Diskretus pasaulis: logiškas, formalus, patikrinamas, bet ribotas (tradicinis AI) • Matematikos arba kodo rezultatai gali būti formaliai patikrinti • Žinių grafikai ir ontologijos gali užtikrinti kitų sričių patikrinimą Ontologijos iškilimas Minėjome schema.org, taip pat bendrą schemos sąvoką. , kur jos apibrėžia duomenų struktūrą ir organizavimą. Grafikai taip pat gali turėti schemas. Žinių grafikų schemos vadinamos ontologijomis, nors . Schemos paprastai siejamos su reliacinėmis duomenų bazėmis žodis „schema“ iš tikrųjų nepateisina ontologijų Ontologijos peržengia schemas, nes leidžia modeliuoti tokias konstrukcijas kaip paveldėjimo hierarchijos ar loginės aksiomos. Jie gali užfiksuoti ne tik duomenų struktūrą ir organizavimą, bet ir tokius dalykus kaip verslo taisyklės ir srities žinios. „Žaidimo pavadinimas yra kiek įmanoma priartėti prie verslo semantikos. Jūs bandote suprasti žodžius, kuriuos verslo žmonės vartoja tam tikroje organizacijoje, ir paversti juos šiomis formaliomis sąvokomis, kad suprastumėte, kas tai yra, ir tada sujungti sąvokas taip, kad jos susietų viena su kita su tam tikros rūšies briaunomis“, – aiškino Seale'as. Sukurti ontologiją nėra lengva. Tam reikia prieigos prie domeno žinių, kurios paprastai yra išsklaidytos, iš dalies dokumentuojamos ir suprantamos bei ginčijamos tarp ekspertų. Tam taip pat reikia ontologinio modeliavimo patirties ir tinkamų įrankių. Štai kodėl, nors , jis niekada nebuvo plačiai pritaikytas. Seale'as mano, kad tai keičiasi, ir gali būti tam tikrų netiesioginių įrodymų. ontologinis modeliavimas egzistuoja dešimtmečius „Google Trends“ „Žinių diagrama“ per pastaruosius 5 metus išaugo 3 450 %. nuo 2022 m. nuorodų į ontologiją padaugėjo daugiau nei dvigubai tiek kiekio, tiek šaltinių įvairove. Be to, paties Seale'o sėkmės istorija tampa žinių grafiko virusiškumo plakatu. Grafo metais skirtoje saugykloje 📚 Didėjanti ontologijos svarba • Ontologijos peržengia schemas, sukurdamos formalias sąvokas iš verslo terminijos • Tikslas: tiksliai užfiksuoti verslo semantiką ir ryšius • Reikia srities žinių ir ontologinio modeliavimo patirties • „Google Trends“ rodo, kad „Žinių diagrama“ per 5 metus išaugo 3 450 % Neuroninė-simbolinė kilpa Yra dvipusio ryšio žinių grafikai ir ontologijos su LLM. LLM gali padėti plėtoti ontologiją ir padėti žinių grafiko populiacijai. Seale pranešė, kad turi gerą patirtį naudojant LLM, tačiau jūsų rida gali skirtis. Bet kokiu atveju tokie įrankiai skirti padėti ekspertams, o ne visiškai automatizuoti užduotį. Tačiau iš tiesų įdomu yra atvirkščiai: ontologijos ir žinių grafikai veikia kaip tikrintojas, iš esmės tiesos sluoksnis LLM. Seale tai vadina . LLM darbinės atminties grafiko modeliu Darbinės atminties grafike ontologija distiliuoja srities žinias, o žinių grafikas yra specifinė ir privati organizacijai duomenų bazė. LLM veikia kaip tarpininkai ir prideda tyrinėjimo ir kūrybiškumo dalį, taip pat suteikia prieigą prie nestruktūrizuotų žinių. Tai gali būti bendros žinios, distiliuotos LLM, arba konkrečios srities žinios per . RAG Darbinės atminties grafikas yra dalis didesnio modelio, kurį Seale vadina . Čia darbinės atminties grafikas veikia kaip domenų, kuriuose reikia patvirtinimo, tikrintojas. Idėja yra kiekvienam domenui padaryti tai, kas įmanoma matematikai ar kodui: patikrinti LLM sugeneruotų rezultatų teisingumą. Neuronine-simboline kilpa Akivaizdu, kad tai daug sunkiau pasiekti ne matematikos ar kodo srityse. Pastangos ir žinios, kurių reikia norint sukurti ontologijas ir žinių grafikus, tebėra daug, o rezultatai gali būti ne tokie aiškūs. Tačiau tai galima padaryti, ir Seale'as įsitikinęs, kad tai geriausias būdas dirbtinio intelekto tiesos sluoksniui. 🔄 Neuroninės simbolinės kilpos metodas • Pradėkite nuo srities žinių, būdingų jūsų organizacijai • Sukurti ontologiją šioms žinioms įforminti • Sukurkite žinių grafiką kaip privačią organizacijos duomenų bazę • Naudokite LLM kaip tarpininkus tyrinėjimams ir kūrybai • Taikykite darbo atminties grafiką kaip patikrinimo sluoksnį • Sukurkite nuolatinį tikrinimo ir tobulinimo ciklą Pragmatiškas AI metodas: nuo teorijos iki įgyvendinimo „AI išsijungė kaip raketa. Beveik niekas negali padaryti, kad tai sustabdytų. Šiaip tai vyksta. Taigi bet kurioje organizacijoje atsidursite tokioje situacijoje, kai galėsite importuoti šią bendrą žvalgybos informaciją. Šiuo metu jis yra protingas, galbūt ne itin protingas, bet per ateinančius 5–10 metų jis pasieks. Turite šį trumpą langą. Ką jums reikia padaryti, tai pritaikyti dirbtinį intelektą į mūsų organizacijos kontekstą ir sutelkti dėmesį į AI ledkalnio dugną, ty duomenis. Taigi jūs turite pasinaudoti galia, kurią turite modeliuose, kuriuos šiuo metu turite savo rankose, ir sutelkti dėmesį į juose esančius duomenis. Turite išvalyti ir konsoliduoti duomenis, kad jie būtų veiksmingo išorinio tikrintojo būsenos. Turite žinoti, kokios informacijos vertė yra 0 001 USD, kokią informaciją turite tik jūs ir kokią vertę pridedate. Turite tai padaryti dabar, nes tai yra vienintelis žaidimas mieste, kiek aš matau“, – sakė Seale'as. Seale'as taip pat pasidalijo skaičiumi .: duomenų trūkumas, žinių diagramos kaip duomenų struktūros pagrindas, naudojant ontologijas ir formalių samprotavimų suderinimas samprotavimo LLM. Norėdami išsamiai pakalbėti apie tai, peržiūrėkite podcast'o epizodą. Apskritai Seale'as mano, kad dirbtinis intelektas per trumpą laiką yra per daug išpopuliarintas, o ilgainiui – per mažai. prognozėms 2025 m GraphRAG https://pod.co/orchestrate-all-the-things-podcast-connecting-the-dots-with-george-anadiotis/knowledge-graphs-as-the-essential-truth-layer-for-pragmatic-ai-featuring-tony-seale-the-knowledge-graphable=trueembed-graphable-guy? Seale dirba tam, kad pritaikytų žinių grafikus ir ontologijas organizacijoms, kurios yra tam pasiruošusios. Tačiau tai kainuoja ir negali būti pritaikyta visiems. Be to, jokia konsultacinė įmonė niekada negalės atlikti visų jums reikalingų švietimo ar pagrindinių duomenų darbo. užpildo šią spragą mokydamas apie duomenų pirmumo principus, valdymą, valdymą, modeliavimą ir duomenų mokslą. Tada organizacijoms būdingos srities žinios gali būti panaudotos kuriant AI sistemas remiantis patikimais, patikrintais duomenimis. Pragmatiškas AI metodas Pragmatiškas AI mokymas Teorija ir praktinės laboratorijos. „Viskas įskaičiuota“ poilsis. Vietų skaičius ribotas. Spustelėkite čia norėdami užsiregistruoti į Pragmatic AI mokymus suteikia vadovams, vadybininkams, verslininkams, konsultantams ir kūrybingiems asmenims pagrindinių žinių ir praktinės patirties, reikalingos kuriant AI sistemas, kurios teikia tikrą verslo vertę. Pradėkite nuo pagrindų ir pradėkite kurti savo organizacijos tiesos sluoksnį ir įgyti konkurencinį pranašumą AI eroje. Pragmatic AI kursas