Мэдлэгийн графикууд нь ажилладаг хиймэл оюун ухаанд хэрэгтэй бизнесүүдэд дутагдаж буй холбоос байж магадгүй юм

Байгууллагууд хиймэл оюун ухаан нэвтрүүлэхэд чухал сорилттой тулгараад байна: AI-г найдвартай үр дүнд хүргэхийн тулд өөрийн домэйны тусгай мэдлэгээ хэрхэн ашиглах вэ. Мэдлэгийн графикууд нь хиймэл оюун ухаанд дутагдаж буй "үнэний давхарга"-ыг бий болгож, магадлалын үр дүнг бодит ертөнцийн бизнесийн хурдатгал болгон хувиргадаг.

Танилцуулга

"Бараг бүх зүйлд утга учрыг өгдөг зүйл бол контекст юм. Энэ хэрээр бүх графикууд мэдээллийн харилцан уялдаа холбоо, контекст шинж чанарыг хүлээн зөвшөөрөх эхний алхмыг аль хэдийн хийсэн учраас илүү их мэдлэг, утга учрыг авчрах төрөлхийн чадвартай байдаг."

Бид хиймэл оюун ухаан болон том хэлний загварууд (LLMs) давамгайлсан ертөнцөд амьдарч байгаа бөгөөд эдгээрээс чанартай үр дүнд хүрэхийн тулд контекст, утга санаа чухал байдаг нь харагдаж байна. Мэдлэгийн графикууд нь хиймэл оюун ухааны чадавхийг нээх контекст, утга санааг хангах түлхүүрийг агуулж болох бөгөөд үүнийг батлах нотолгоо улам бүр нэмэгдсээр байна.

Хиймэл оюун ухаанд зориулсан Gartner Hype Cycle -ийн хамгийн сүүлийн үеийн нээлтийг тохиолдуулан Gartner-ийн AI-ийн судалгааны дэд захирал Светлана Сикуляр хиймэл оюун ухаанд оруулсан хөрөнгө оруулалт шинэ дээд түвшинд хүрч, хиймэл оюун ухаанд анхаарлаа хандуулж байгааг тэмдэглэв . Гэсэн хэдий ч ихэнх тохиолдолд энэ нь хүлээгдэж буй бизнесийн үнэ цэнийг хараахан өгч чадахгүй байна.

Мэдлэгийн графикууд нь удирдагчдын стратегийн нэг хэсэг болгон авч үзэх Gartner-ийн шинээр гарч ирж буй технологийн жагсаалтад багтсан Critical Enabler технологийн гол цөм нь юм. Gartner мэдлэгийн графикийг GenAI загваруудыг бий болгох, хөгжүүлэхэд чухал ач холбогдолтой гэж зөвлөж байна. Амазон , Самсунг зэрэг байгууллагууд мэдлэгийн график ашиглаж байгаа бөгөөд зах зээл 2030 он гэхэд CAGR 36.6% буюу 6.93 тэрбум доллар болж өсөх төлөвтэй байна .

Технологи ч, алсын хараа нь ч шинэ зүйл биш тул Gartner нь сүүлийн хэдэн жилийн турш хиймэл оюун ухаан дахь мэдлэгийн графикуудын үүрэг, цаашдын байгууллагуудад үзүүлэх нөлөөг сурталчилж байна. Мэдлэгийн график технологи нь олон арван жилийн турш байсаар ирсэн бөгөөд Тони Сийл зэрэг хүмүүс хиймэл оюун ухаанд үнэний давхарга болохыг эрт илрүүлж байсан.

"Мэдлэгийн график залуу" гэгддэг Сийл бол энэ нэртэй зөвлөх компанийг үүсгэн байгуулагч юм. Дээрх эшлэлийг мэдлэгийн графикийн эхний зарчмуудаас авахуулаад аюулгүй, баталгаажуулах боломжтой хиймэл оюун ухаан, бодит туршлага, чиг хандлага, таамаглал, цаашдын арга зам зэрэг бүх зүйлийг багтаасан өргөн хүрээний ярианаас авсан болно.

Өгөгдлийн силосоос холбосон өгөгдөл ба мэдлэгийн график хүртэл

Seale нь 1-р түвшний санхүүгийн байгууллагуудад өгөгдөлтэй ажиллаж байсан олон арван жилийн туршлагатай. Арав орчим жилийн өмнө тэрээр томоохон хөрөнгө оруулалтын банкны "дахин нэг ETL төсөл" дээр ажиллаж, мэдээллийн агуулах руу өгөгдөл оруулж, мэдээллийн дамжуулах шугамыг хэрэгжүүлж байв. Энэ нь байгууллагын тайлагнах, дагаж мөрдөх хэрэгцээг хангах ердийн арга юм. Асуудал нь энэ нь цар хүрээгүй, эсвэл контекст болон утгыг нэмэхэд тусалдаггүй юм .

Дараа нь Сийл Tim Berners Lee-ийн 2010 оны TED-ийн "Холбогдох өгөгдөл" дээр хэлсэн үгтэй танилцсан нь бүх зүйлийг өөрчилсөн юм. 2010 онд Google дөнгөж Мэдлэгийн график руу орж байсан бөгөөд энэ нэр томьёо төдийлөн гарч ирээгүй байсан . Гэхдээ технологи нь Linked Data нэрийн дор байсан. TBL-ийн TED яриа нь Сийлийг Холбоотой өгөгдлийн 2 үндсэн зарчмыг ойлгож, ETL-ийн өөр хувилбар болгон туршиж эхлэхэд хангалттай байсан.

Холбогдсон өгөгдлийн үндсэн санаа нь дэлхийн хэмжээнд бүтэцлэгдсэн өгөгдлийг хуваалцах ажилд World Wide Web-ийн ерөнхий архитектурыг ашиглах явдал юм. Үүний гол зорилго нь өгөгдөлд HTTP танигчийг ашиглах, ингэснээр тэдгээрийг хайж олох, стандартыг ашиглан утгын талаархи мэдээллийг (семантик) өгөх явдал юм.

Сийлийн ойлгосон зүйл бол энэ аргын төвлөрсөн бус шинж чанар нь вэбэд ажиллах боломжтой бол ямар ч байгууллагад ажиллах боломжтой юм. Мэдлэгийн графикууд нь ETL төслүүд болон өгөгдлийн агуулахуудын бодит арга болох нэгдмэл болон хяналтын нэг төв цэгтэй байхын оронд төвлөрлийг сааруулах, стандартаар дамжуулан масштабыг нэмэгдүүлэх боломжийг олгодог.

Эдгээр нь вэбийг ажиллуулдаг ижил зарчмууд юм. Вэбийг зохион бүтээгч нь баримт бичгийн сүлжээнээс өгөгдлийн вэб рүү шилжихийн тулд үүнийг дараагийн түвшинд гаргахыг хүссэн нь гайхах зүйл биш юм. Гэхдээ энэ арга нь өгөгдөлд хандахаас гадна семантикийг холимогт нэмдэг. Өгөгдлийн цэгүүд болон тэдгээрийн хоорондох холбоосууд нь тодорхой утга, төрөлтэй байж болно.

Вэб масштабтай семантикийн хамгийн сайн жишээ бол schema.org юм. Schema.org нь нийт вэбсайтуудын 30%, Google-ийн эхний хуудасны 72.6% нь ашигладаг стандарт үгсийн санг тодорхойлох хамтын хүчин чармайлт юм. Стандартуудыг ашиглан семантикийг тодорхойлохоос гадна schema.org нь төвлөрлийг сааруулах замаар тэмдэглэгээ болон интеграцийг өргөтгөх боломжтой болгодог .

AI нь Мэдлэгийн графиктай нийцдэг

Schema.org нь дэлхийн Google-д өөрсдийн мэдлэгийн графикийг бий болгож, вэбийг илүү ойлгомжтой болгох боломжийг олгодог зүйл юм. Сийл тэр үед ажиллаж байсан хөрөнгө оруулалтын банкинд ажил хийж, бүтэлгүйтнэ гэж бодож эхэлсэнтэй ижил арга барил юм. Тэгээгүй.

Анхны амжилтдаа урам зориг өгсөн Сийл мэдлэгийн графикийг дэмжигч болж, холбогдох хэд хэдэн төслийг санаачилсан. Тэрээр өөрийн хүсэл тэмүүллийн төлөө байгууллагуудыг нүүлгэж, анхны GPT том хэлний загварууд гарах үед мэдлэгийн график бүтээхэд шаардлагатай семантик болон тэмдэглэгээг ачаалах арга болгон график мэдрэлийн сүлжээг хайж байв.

Сийл LLM-тэй туршилт хийж эхэлсэн бөгөөд удалгүй хоёр зүйлд итгэлтэй болсон. Нэгдүгээрт, LLM нь асар их нөлөө үзүүлэх болно. Хоёрдугаарт, LLM нь мэдлэгийн графиктай төгс тохирно. Тэрээр LinkedIn дээр өөрийн санаагаа хуваалцаж, вируст болж эхэлсэн. Эцэст нь тэрээр өөрийн зөвлөх компанийг байгуулж, одоо хэд хэдэн үйлчлүүлэгчидтэй хамтран хэрэгжүүлэхээр ажиллаж байна.

"Бүх байгууллагууд бид илүү магадлалтай ертөнцөд шилжиж байгаа бодит байдлыг хүлээн зөвшөөрөх ёстой. Тиймээс хүн бүр хиймэл оюун ухаан ашиглаж эхлэх ёстой, эс тэгвээс та бизнесээ орхих магадлалтай. Бүх зүйл магадлал өндөртэй, шийдвэр гаргахад хиймэл оюун ухаан шингэсэн энэ шинэ ертөнцөд бид шилжиж байна.

Энэ нь танд таалагдахгүй байж магадгүй эсвэл ямар ч бодолтой байж магадгүй, гэхдээ энэ нь хамаагүй. Энэ бол байгалиас заяасан хүч учраас та үүнд дасаж магадгүй. Тэгэхээр та үүнийг хэрхэн аюулгүйгээр хийх вэ гэсэн асуулт гарч ирнэ. Миний бодлоор энэ нь гадны шалгалтаар дамждаг" гэж Сийл хэлэв.

Энэ бол түүний дэвшүүлж буй арга барилын гол цөм юм. Үүнд ажлын санах ойн график, мэдрэлийн симболын давталт гэх мэт гоёмсог нэртэй загварууд, DeepSeek-ээс Cyc төсөл хүртэлх жишээнүүд багтсан болно. Гэхдээ эдгээрт шумбахаасаа өмнө эхний зарчмуудыг олж мэдэхийн тулд хэсэг хугацаанд түр зогсох нь зүйтэй.

Эхний зарчим: График ба мэдлэгийн график

Тэгэхээр график нь бусад өгөгдлийн бүтцээс юугаараа ялгаатай вэ, мэдлэгийн график нь бусад графикаас юугаараа ялгаатай вэ? Бид үүнд хэрэгжилтийн түвшинд эсвэл эхний зарчмын түвшинд хандаж болно.

Хүснэгт ба оюун ухааны газрын зураг, харилцааны өгөгдлийн сангийн мөр, багана, график мэдээллийн сангийн зангилаа ба ирмэг, багцын онол ба графикийн онол хоёрын тухай ярьж байгаа эсэхээс үл хамааран графикийг ялгаж салгах нэг зүйл байдаг: холболтууд нь нэгдүгээр зэрэглэлийн иргэд юм. Гэхдээ бүх графикууд мэдлэгийн график гэж тохирохгүй .

График дахь зангилаа болон ирмэгүүд хоёулаа өөр өөр хэлбэртэй байж болно. Энгийн график нь бүтээгдэхүүнийг төлөөлөх зангилаа, тэдгээрийн хоорондох ерөнхий төрлийн харилцааны ирмэгийг багтааж болно. Хоёр талт график нь бүтээгдэхүүн, худалдан авагчдыг төлөөлөх хоёр өөр төрлийн зангилаа, аль хэрэглэгч ямар бүтээгдэхүүн худалдаж авсныг илэрхийлэх ирмэгүүдтэй байж болно.

Нэг төрлийн бус график нь янз бүрийн төрлийн зангилаа, ирмэгтэй байж болно. Жишээлбэл, бүтээгдэхүүн, үйлчлүүлэгчдийг төлөөлсөн зангилаа, аль худалдан авагч ямар бүтээгдэхүүн худалдаж авсан, аль хэрэглэгч ямар бүтээгдэхүүнийг хянасныг харуулсан ирмэгүүд.

Графикуудад хамгийн энгийн түвшинд ч гэсэн ашиг тустай байдаг. Зам хайх, төвлөрөх зэрэг график алгоритмууд нь программууд болон аналитикт маш их хэрэгтэй байж болох ба нэг төрлийн график шаарддаггүй.

URI-г танигч болгон ашиглах, хуваалцсан үгсийн сан, тохиролцсон схемтэй байх нь мэдлэгийн графикийг тодорхойлох шинж чанарууд юм.

“За, үнэндээ, үгүй, эдгээр зангилааны зарим нь өөр зүйл, тэдгээрийн хоорондох ирмэгүүд нь ямар нэг зүйлийг илэрхийлдэг тусгай өөр төрлийн ирмэгүүд гэж хэлж эхлэхэд нарийн төвөгтэй байдал нэмэгддэг. Таны ажиллуулж болох алгоритмуудын шинж чанар, түүний дотор машин сургалтын алгоритмууд өөрчлөгддөг. Бид үүнийг мэдлэгийн график гэж юу болохын тулд орох түвшин гэж нэрлэж болно гэж би бодож байна "гэж Сийл тэмдэглэв.

"Эхлэх түвшин" хэсгийг анхаарна уу. 00-аад оны эхэн үе болон Семаль вэб рүү буцах урт бөгөөд төвөгтэй түүх энд бий. Эдгээр санаанууд, стандартууд болон техникийн стекүүд дээр Linked Data зарчмууд суурилагдсан. "Мэдлэгийн график" ажиллаж байх хооронд "Semantic Web" унтарчээ.

Семаль вэб нь цаг үеэсээ түрүүлж байсан нь маргаангүй. Хэрэгжүүлэх олон хүчин чармайлт буруу байсан бөгөөд түүнийг дэмжигчид үргэлж прагматик ханддаггүй. Гэсэн хэдий ч Сиалийн тэмдэглэснээр мэдрэлийн сүлжээг удаан хугацааны туршид флоп гэж үздэг. URI-г таних тэмдэг болгон ашиглах, хуваалцсан үгсийн сан, тохиролцсон схемтэй байх нь мэдлэгийн графикуудын онцлог шинж чанар, тэдний авчрах үнэ цэнийг хэвээр үлдээдэг.

Тасралтгүй ертөнц ба салангид ертөнц

Мэдлэгийн графикуудын авчирдаг бүтэц, семантик нь бусад өгөгдлийн төрлүүд эсвэл бүр бусад графикуудад боломжгүй зүйлсийг идэвхжүүлдэг. Байгууллага бүр schema.org сайтын өөрийн хувилбар дээр ажиллаж, өгөгдлөө тайлбар хийх, хиймэл оюун ухаанаа хөгжүүлэх мэдлэгийн графикийг бий болгоход ашиглах ёстой гэж Сийл үзэж байна.

Seale баталгаажуулагч аргыг тайлбарлахын тулд DeepSeek-ийг жишээ болгон ашигласан. Бусад хүмүүсийн нэгэн адил Сийл DeepSeek-д хэт автаж, юу хийснээ ойлгохыг хичээж байв. Ухаалаг алгоритм, оновчлолыг эс тооцвол DeepSeek-ийн амжилтын гол үндэс нь математик, код гэх мэт баталгаажуулах боломжтой өгөгдлийг бэхжүүлэх сургалтанд ашигласан явдал юм.

"Тэд бүгдийн адил бүх вэб өгөгдлийг авсан. Гэвч дараа нь тэд зөвхөн математик, кодчилолтой холбоотой битүүдийг гаргаж авсан. Үүний тусламжтайгаар та гадаад баталгаажуулагч үүсгэж болно.

Та математик эсвэл кодыг харж болно, дараа нь та хариултыг төгсгөлд нь харж болно, мөн хариулт үнэхээр зөв эсэхийг шалгаж болно. Дараа нь та үүнийг LLM-д өгч, LLM-ээс үүнийг хийхийг хүсч, дараа нь гадаад албан ёсны баталгаажуулагчийг шалгаж болно. Энэ нь магадлалын загвар дээр чанарын хяналтыг нэмж байгаа явдал юм" гэж Сийл тайлбарлав.

Тасралтгүй ба салангид мэдлэгийг илэрхийлэх арга барил нь давуу болон хязгаарлалттай байдаг

Дараа нь Сийл тасралтгүй ертөнц ба салангид ертөнц гэж нэрлэдэг зүйлийнхээ талаар дэлгэрэнгүй тайлбарлав. Үргэлжилсэн ертөнцөд бүх зүйл магадлал, бүх зүйл бүрхэг байдаг бөгөөд эдгээр үүсгэгч AI загварууд энд л байдаг. Нэг зүйл нөгөө зүйлтэй холилдож, та хий үзэгдэлтэй болно. Гэхдээ үүний эсрэг тал нь, Seale-ийн хэлснээр, тэнд бүтээлч сэтгэлгээтэй төстэй зүйл байдаг.

Хуучны хиймэл оюун ухааны ертөнцөд Cyc төслийн домог байдаг. Cyc бол дэлхийн талаарх ерөнхий мэдлэгийг албан ёсоор кодлох зорилготой асар том AI төсөл юм. Сийл Cyc-г их хүндэлдэг. Гэсэн хэдий ч тэрээр Cyc амжилтанд хүрч чадаагүй бөгөөд амжилтанд хүрч чадахгүй байсан бол хиймэл хиймэл оюун ухааны загварууд өөрсдийнхөөрөө байдаг гэж тэр тэмдэглэв. Гэхдээ тэд өөрсдийн гэсэн сул талуудтай байдаг.

Хиймэл оюун ухааны үүсгүүрийн загваруудад итгэх боломжгүй бөгөөд энэ нь санхүү, хууль, анагаах ухаан зэрэг салбарт ашиглахад тохиромжгүй болгодог. Математик эсвэл код зэрэг домайнуудын хувьд үр дүнг албан ёсоор баталгаажуулах боломжтой. Бусад домэйн дээр үүнийг хийх арга байсан бол яах вэ? Сэйл байдаг гэж боддог бөгөөд түлхүүр нь мэдлэгийн график, онтологи юм.

Онтологийн өсөлт

Бид schema.org болон схемийн тухай ерөнхий ойлголтыг дурдсан. Схемүүд нь ихэвчлэн өгөгдлийн бүтэц, зохион байгуулалтыг тодорхойлдог харилцааны мэдээллийн сантай холбоотой байдаг . Графикууд нь бас схемтэй байж болно. Мэдлэгийн графикт зориулсан схемүүдийг онтологи гэж нэрлэдэг ч "схем" гэдэг үг нь онтологийг зөвтгөдөггүй .

Онтологи нь удамшлын шатлал эсвэл логик аксиом гэх мэт бүтцийн загварчлалыг идэвхжүүлснээр схемээс давж гардаг. Тэд зөвхөн өгөгдлийн бүтэц, зохион байгуулалтаас гадна бизнесийн дүрэм, домэйны мэдлэг гэх мэт зүйлсийг авч чаддаг.

"Тоглоомын нэр нь аль болох бизнесийн семантиктай ойртох явдал юм. Та тухайн байгууллагын хүрээнд бизнес эрхлэгчдийн хэрэглэж буй үгсийг авч, эдгээрийг албан ёсны ойлголт болгон хувиргаж, чухам юу болохыг нь тодорхой болгохыг хичээж, дараа нь тодорхой төрлийн ирмэгүүдээр хоорондоо уялдаа холбоотой ойлголтуудыг хооронд нь холбохыг хичээж байна” гэж Сийл тайлбарлав.

Мэдлэгийн график, онтологийн сонирхол дээд цэгтээ хүрч байна

Онтологийг бий болгох нь тийм ч хялбар биш юм. Энэ нь ихэвчлэн тархай бутархай, хэсэгчлэн баримтжуулсан, ойлгогдож, шинжээчдийн дунд маргаантай байдаг домэйны мэдлэгт хандахыг шаарддаг. Энэ нь мөн онтологийн загварчлалын туршлага, зөв хэрэгсэл шаарддаг.

Тийм ч учраас онтологийн загварчлал нь олон арван жилийн туршид бий болсон ч хэзээ ч нийтлэг хэрэглээг олж чадаагүй юм. Энэ нь өөрчлөгдөж байна гэж Сэйл үзэж байгаа бөгөөд үүнийг батлах зарим нөхцөл байдлын нотолгоо байж магадгүй юм.

Google Trends дээр "Мэдлэгийн график" сүүлийн 5 жилд 3.450%-иар өссөн байна. 2022 оноос хойш Графикийн тусгай сангаас онтологийн тухай лавлагаа эх сурвалжийн тоо хэмжээ, төрөл бүрийн хувьд хоёр дахин нэмэгдсэн байна. Нэмж дурдахад Seale-ийн өөрийн амжилтын түүх нь мэдлэгийн графикийн вирусын зурагт хуудас болж байна.

Мэдрэлийн бэлгэдлийн гогцоо

LLM-тэй хоёр талын харилцааны мэдлэгийн график ба онтологи байдаг. LLM нь онтологийн хөгжил болон мэдлэгийн графикийн популяцид тусалж чадна. Seale үүний тулд LLM-ийг ашиглах сайн туршлагатай гэж мэдээлсэн боловч энд таны миль өөр байж болно. Ямар ч тохиолдолд ийм хэрэгслүүд нь даалгаврыг бүрэн автоматжуулах бус мэргэжилтнүүдэд туслах зорилготой юм.

Энэ нь үнэхээр сонирхолтой болж байгаа зүйл бол эсрэгээрээ: онтологи ба мэдлэгийн графикууд нь LLM-ийн хувьд баталгаажуулагч, үндсэндээ үнэний давхарга юм. Seale үүнийг LLM-д зориулсан Ажлын санах ойн графикийн загвар гэж нэрлэдэг.

Ажлын санах ойн графикт онтологи нь домэйны мэдлэгийг шингээж өгдөг бөгөөд мэдлэгийн график нь тухайн байгууллагад тусгай болон хувийн мэдээллийн сангийн үүрэг гүйцэтгэдэг. LLM нь зуучлагчийн үүрэг гүйцэтгэж, эрэл хайгуул, бүтээлч байдлын хэсгийг нэмж, бүтэцгүй мэдлэгт нэвтрэх боломжийг олгодог. Энэ нь LLM-д нэрлэгдсэн ерөнхий мэдлэг эсвэл RAG- ээр дамжуулан домэйны тусгай мэдлэг байж болно.

Neural-Symbolic Loop загварт LLM болон Мэдлэгийн графикууд бие биенээ нөхөж байдаг

Ажлын санах ойн график нь Сийл мэдрэл-бэлгэ тэмдгийн гогцоо гэж нэрлэдэг том загварын нэг хэсэг юм. Үүнд ажлын санах ойн график нь баталгаажуулах шаардлагатай домэйнуудын баталгаажуулагчийн үүрэг гүйцэтгэдэг. Энэхүү санаа нь домэйн бүрт математик эсвэл кодын боломжтой зүйлийг хийх боломжтой болгох явдал юм: LLM-ийн үүсгэсэн үр дүнгийн үнэн зөв эсэхийг шалгах.

Математик эсвэл кодоос гадна домэйнд хүрэх нь илүү хэцүү нь ойлгомжтой. Онтологи, мэдлэгийн графикийг бий болгоход шаардагдах хүчин чармайлт, туршлага ихээхэн хэвээр байгаа бөгөөд үр дүн нь тийм ч тодорхой биш байж магадгүй юм. Гэхдээ үүнийг хийх боломжтой бөгөөд энэ нь хиймэл оюун ухаанд үнэний давхаргад хүрэх хамгийн сайн арга гэдэгт Сийл итгэлтэй байна.

Прагматик AI хандлага: Онолоос хэрэгжүүлэх хүртэл

“AI яг л пуужин шиг нисч байна. Үүнийг зогсоохын тулд хэн ч юу ч хийж чадахгүй. Ямар ч байсан ийм зүйл болж байна. Тэгэхээр ямар ч байгууллагад та энэ ерөнхий тагнуулын мэдээллийг оруулж ирэх нөхцөл байдалд орох болно. Энэ нь одоохондоо ухаалаг, магадгүй супер ухаалаг биш ч ойрын 5-10 жилд хүрэх болно.

Танд энэ богино цонх байна. Таны хийх ёстой зүйл бол хиймэл оюун ухааныг манай байгууллагын хүрээнд авч үзэх, мөн өгөгдөл болох хиймэл оюун ухааны мөсөн уулын ёроолд анхаарлаа төвлөрүүлэх явдал юм. Тиймээс та яг одоо гартаа байгаа загварууддаа байгаа хүчийг авч, тэнд байгаа өгөгдөлдөө анхаарлаа төвлөрүүлэх хэрэгтэй.

Та үр дүнтэй гадны баталгаажуулагч байхын тулд өгөгдлийг цэвэрлэж, нэгтгэх хэрэгтэй. Та ямар мэдээлэл 0,001 долларын үнэтэй вэ, зөвхөн танд ямар мэдээлэл байгаа, таны нэмж буй үнэ цэнэ юу болохыг мэдэх хэрэгтэй. Та одоо үүнийг хийх хэрэгтэй, учир нь энэ бол миний харж байгаагаар хотод цорын ганц тоглоом юм "гэж Сийл хэлэв.

Сийл мөн 2025 оны урьдчилсан таамаглалыг хуваалцсан: өгөгдлийн хомсдол, өгөгдлийн бүтцийн үндэс болох мэдлэгийн график, онтологиоор дамжуулан GraphRAG , LLM-ийн үндэслэлээр албан ёсны үндэслэлийг ойртуулах. Эдгээрийн талаар дэлгэрэнгүй ярилцахыг хүсвэл подкастын ангийг үзнэ үү. Ерөнхийдөө Сийл хиймэл оюун ухаан богино хугацаанд хэт их алдаршсан ч урт хугацаандаа асар их алдаршсан гэж үзэж байна.

POD

Knowledge Graphs as the essential truth layer for Pragmatic AI. Featuring Tony Seale, The Knowledge Graph Guy - Orchestrate all the Things

Organizations are facing a critical challenge to AI adoption: how to leverage their domain-specific knowledge to use AI in a way that delivers trustworthy results. Knowledge graphs provide the missing "truth layer" that transforms probabilistic AI outputs into real world business acceleration. Knowledge graphs are powering products for the likes of Amazon and Samsung. The Knowledge graph market is expected to grow to $6.93 Billion by 2030, at a CAGR of 36.6%. Gartner has been advocating for the role of knowledge graphs in AI and the downstream effects in organizations going forward for the last few years. Neither the technology nor the vision are new. Knowledge graph technology has been around for decades, and people like Tony Seale were early to identify its potential for AI. Seale, also known as "The Knowledge Graph Guy", is the founder of the eponymous consulting firm. In this extensive conversation, we covered everything from knowledge graph first principles to application patterns for safe, verifiable AI, real-world experience, trends, predictions, and the way forward. Read the article published on Orchestrate all the Things here: https://linkeddataorchestration.com/2025/03/11/knowledge-graphs-as-the-essential-truth-layer-for-pragmatic-ai/

Seale мэдлэгийн график, онтологийг үүнд бэлэн байгаа байгууллагуудад ашиглахаар ажиллаж байна. Гэхдээ энэ нь өндөр өртөгтэй бөгөөд хүн бүрт хүрч чадахгүй. Үүнээс гадна ямар ч зөвлөх үйлчилгээ танд хэрэгтэй бүх боловсрол, суурь мэдээллийн ажлыг хийж чадахгүй.

Прагматик AI арга нь өгөгдлийн эхний зарчим, удирдлага, засаглал, загварчлал, мэдээллийн шинжлэх ухааны талаар мэдлэг олгох замаар энэ зөрүүг нөхдөг. Дараа нь найдвартай, баталгаажсан мэдээллийн суурь дээр хиймэл оюун ухааны системийг бий болгохын тулд байгууллагуудад өвөрмөц домайн мэдлэгийг ашиглаж болно.

Прагматик AI сургалт

Прагматик хиймэл оюун ухааны сургалт нь менежерүүд, менежерүүд, бизнес эрхлэгчид, зөвлөхүүд, бүтээлч хүмүүст бизнесийн бодит үнэ цэнийг бий болгох хиймэл оюун ухааны системийг бий болгоход шаардлагатай суурь мэдлэг, практик туршлагаар хангадаг. Суурь ойлголтоос эхэлж, байгууллагынхаа үнэний давхаргыг бий болгож, хиймэл оюун ухааны эрин үед өрсөлдөх давуу талыг олж аваарай.