打破人工智能的认知天花板

知识图谱作为人工智能的重要研究领域 , 其核心理念可追溯到第一次人工智能浪潮 。但直至进入人工智能下半场 , 当具备能理解、会思考、可解释等特征的认知智能成为突破自身天花板的关键 , 知识图谱才得以蓬勃发展 。近年来 , 知识图谱技术热度不减 , 作为实现认知智能的核心驱动力 , 已广泛应用在金融、电商、医疗、政务等诸多领域 。
知识图谱究竟能解决哪些问题、应用在哪些场景?其技术架构如何发展演变?又将如何支撑实现认知智能的终极目标?成为技术圈热议的焦点 。
InfoQ基于对知识图谱技术生态的深刻观察 , 重磅发布《知识图谱:打破人工智能的认知天花板》研究报告 。带您探索知识图谱如何实现机器的辨识、思考与主动学习 , 梳理知识图谱技术体系与产业链结构 , 剖析实现认知智能的技术挑战与发展趋势 , 探求知识图谱将如何打破人工智能的认知天花板 。
【打破人工智能的认知天花板】两个认识维度
知识图谱是实现人工智能从“感知”跃升到“认知”的基矗本质上 , 知识图谱是一种由关联性知识组成的网状知识结构 , 对机器而言表现为图谱 , 其形成过程即建立对行业或领域的理解和认知 , 拥有规范的层次结构和强大的知识表示能力 。
具体来说 , 在内容维度 , 知识图谱是一种表达规范、关联性强的高质量数据表示;在技术维度 , 知识图谱可解释为一种使用图结构描述知识和建模万物关联关系的技术方法 。
三个价值特征
在知识图谱的价值维度 , 首先 , 当人工智能进入以场景为牵引的深度应用阶段 , 数据治理需要基于业务战略高度进行逻辑性的存储和应用 , 而知识图谱有助于实现业务战略高度的行业数据治理;其次 , 知识图谱实现了基于语义连接的知识融合和可解释性 , 成为人类思维与机器路径思维的转换器;最后 , 知识图谱借助概念上下位关系、属性类型及约束、图模型实体间关联关系 , 结合业务场景定义的关系推理规则 , 实现了对推理和决策的有力支撑 , 使其在更多领域得以广泛应用 。
知识图谱技术体系
知识图谱的构建是一项庞大而复杂的工程 , 不仅需要算法模型的持续优化 , 更需要持续的知识运营以及工程系统的搭建 , 最终形成知识网络并得以应用 。从知识图谱的构建技术来看 , 主要包含知识图谱表示、知识存储、知识抽娶知识融合、知识推理等关键组成部分 。在其发展演进过程中 , 经历了从人工群体智慧构建到自动获取构建的转变 , 知识图谱与深度学习的融合成为重要发展方向 。

打破人工智能的认知天花板
文章插图
图知识图谱的构建技术体系(资料来源:InfoQ研究院)
产业链结构
从知识图谱的产业链结构来看 , 知识图谱上游产业涉及数据采集标注、云服务、硬件资源、数据库等数据和技术支撑 , 第三方数据服务商通过数据采集、标注旨为构建知识图谱提供规范、丰富、持续更新的原始数据资源池 。
中游从事知识图谱的设计与构建 , 以应用场景为导向 , 设计知识图谱的表达方式和粒度 , 包括提供用于知识图谱分析、应用的各类套件工具及解决方案 , 并通过知识抽娶知识融合、知识补全与推理、知识检索与分析等环节构建完成 。
下游知识图谱的应用正由大规模、简单场景 , 向小规模、复杂场景转变 。智能搜索、智能推荐、智能出行等大规模、简单知识应用、单一应用模式的场景逐渐成熟 , 知识图谱开始在金融、能源、工业、医疗等数据资源有限、知识深度应用的复杂场景发挥关键作用 。

打破人工智能的认知天花板
文章插图
图知识图谱产业链结构(资料来源:InfoQ研究院)
技术挑战与发展趋势
当前 , 知识图谱的主要技术挑战在于缺失多元知识来源和表示形式带来的推理能力不足 , 以及欠缺具备深度知识的行业知识图谱快速工业化能力 。关于未来发展趋势 , 一方面 , 伴随应用场景不断深入专业领域 , 知识图谱将从知识服务延伸至深层决策和预测服务 , 成为构建商业决策类、预测类应用的底层关键技术;另一方面 , 场景驱动下的知识图谱技术生态将呈现系统化发展趋势 , 与知识表示、自然语言处理、机器学习、图数据库、多媒体处理等关联技术相互融合 , 深度赋能应用场景 。
责任编辑:YYX
.dfma {position: relative;width: 1000px;margin: 0 auto;}.dfma a::after {position: absolute;left: 0;bottom: 0;width: 30px;line-height: 1.4;text-align: center;background-color: rgba(0, 0, 0, .5);color: #fff;font-size: 12px;content: "广告";}.dfma img {display: block;}
打破人工智能的认知天花板
文章插图

    推荐阅读