Ý tưởng về trí tuệ nhân tạo (AI) đã có một lịch sử dài. Được định nghĩa một cách tổng quát, AI là một giải pháp hoặc một tập hợp các công cụ để giải quyết vấn đề theo cách mô phỏng trí tuệ con người. Thông thường, mục tiêu thực tế nhất của nó là dự đoán – có thể là phân loại các vật thể (như việc gắn nhãn) hoặc dự đoán một giá trị (như số tiếp theo trong một chuỗi).
Một cách lớn hơn, AI được phân loại thành AI hẹp và AI tổng quát. AI hẹp tập trung vào thực hiện một nhiệm vụ cụ thể rất tốt, chẳng hạn như nhận dạng hình ảnh. AI tổng quát hơn bao gồm nhiều khả năng liên quan đến lập kế hoạch, hiểu ngôn ngữ, nhận dạng đối tượng, học hỏi hoặc giải quyết vấn đề. Hiện nay, hầu hết các giải pháp AI thuộc loại AI hẹp, nhưng chúng đang ngày càng trở nên rộng rãi trong việc áp dụng cho các tình huống mới mẻ và do đó mạnh mẽ hơn theo thời gian.
Một cách để làm cho các ứng dụng AI có khả năng rộng rãi hơn là cung cấp cho chúng bối cảnh, bao quanh chúng bằng thông tin liên quan để sử dụng trong việc giải quyết vấn đề hiện tại. Hãy xem xét trường hợp của xe tự lái. Việc dạy các phương tiện tự động lái xe trong điều kiện mưa là khó khăn vì có quá nhiều biến thể trong điều kiện mưa (hãy nghĩ đến mưa trong ngày nắng, trong ngày âm u, với ánh sáng mặt trời từ bên trái hoặc phải, mưa có gió, mưa đông lạnh, v.v.).
Lấy ví dụ ứng dụng trí tuệ nhân tạo trong xe tự lái (self-driving car) cần phải thấy tất cả các kết hợp có thể của điều kiện ánh sáng và thời tiết, thì sẽ không thể để đào tạo nó cho tất cả các tình huống có thể xảy ra. Nhưng nếu AI được cung cấp với thông tin liên quan, có bối cảnh (mưa và ban đêm, ban đêm và nhiệt độ), thì có thể kết hợp thông tin từ nhiều ngữ cảnh và suy luận hành động tiếp theo cần thực hiện (như giảm tốc độ hoặc bật đèn pha).
Công nghệ đồ thị kết nối dữ liệu và xác định mối quan hệ. Bằng cách tăng cường trí tuệ nhân tạo bằng bối cảnh liên quan, công nghệ đồ thị cung cấp một phương tiện hiệu quả để thúc đẩy việc phát triển các ứng dụng trí tuệ nhân tạo tinh vi.
Trí tuệ nhân tạo là gì?
Có ba danh mục chính của công nghệ trí tuệ nhân tạo mỗi loại giải quyết vấn đề theo cách khác nhau. Trí tuệ nhân tạo là một thuật ngữ tổng quát bao gồm một phần con gọi là học máy (ML) và học sâu (DL).
Trí tuệ nhân tạo là một quy trình máy tính đã học cách thực hiện các nhiệm vụ theo cách mô phỏng các quyết định của con người. Lưu ý rằng điều này không yêu cầu phải có sự thông minh thực sự. Tuy nhiên, nó mở ra nhiều cách để thực hiện các nhiệm vụ đặc trưng cho trí tuệ con người.
Trí tuệ nhân tạo là mục tiêu của giải pháp, và học máy thực chất là một phương pháp để đạt được mục tiêu này.
Học máy sử dụng các thuật toán để học thông qua các ví dụ cụ thể và cải tiến liên tục, mà không cần lập trình rõ ràng. “Đào tạo” một hệ thống trí tuệ nhân tạo liên quan đến cung cấp một lượng lớn dữ liệu cho một thuật toán để cho phép nó học cách xử lý thông tin đó. Phần “học” trong học máy có nghĩa là các thuật toán lặp lại để tối ưu hóa một hàm mục tiêu, chẳng hạn như giảm thiểu sai số hoặc tổn thất. Học máy là một quá trình linh hoạt, có khả năng tự sửa đổi khi được trình bày với thêm dữ liệu.
Học sâu là một phần con của học máy sử dụng nhiều lớp để liên tiếp hóa quá trình học và làm việc với các trừu tượng phân cấp. Phần “sâu” của học sâu liên quan đến nhiều lớp ẩn của trừu tượng. Những lớp này cho phép xây dựng các cấu trúc trừu tượng phân cấp như thêm hình dáng, kích thước và mùi vào một danh mục trái cây chẳng hạn.
Bởi vì trí tuệ nhân tạo nhằm mục tiêu đưa ra các quyết định theo cách con người làm, nó cần nắm bắt vào loại thông tin quan trọng nhất mà con người sử dụng để đưa ra quyết định: ngữ cảnh. Trí tuệ nhân tạo cần ngữ cảnh để mô phỏng trí tuệ con người.
Sự Quan Trọng Của Ngữ Cảnh Đối Với Ứng dụng Trí Tuệ Nhân Tạo
Ngữ cảnh rất quan trọng đối với quá trình ra quyết định, không chỉ đối với con người mà còn đối với trí tuệ nhân tạo. Mỗi ngày, người trưởng thành đưa ra hàng ngàn quyết định (một số người nói khoảng 35.000 quyết định), và hầu hết chúng phụ thuộc vào tình huống xung quanh hoặc quan điểm cá nhân của chúng ta.
Nếu chúng ta đang sắp xếp các kế hoạch du lịch, các quyết định của chúng ta thay đổi đáng kể tùy thuộc vào việc du lịch là để làm việc, vui chơi hay đi cùng người khác. Trong ngôn ngữ, ý nghĩa phụ thuộc rất nhiều vào tình huống cũng như người sử dụng một cụm từ và ngữ điệu của họ. Ví dụ, một người nói “Ra khỏi đây!” có thể đang thể hiện một lời nói bất ngờ thân thiện hoặc đang yêu cầu ai đó rời khỏi phòng.
Con người sử dụng việc học thông qua ngữ cảnh để hiểu điều gì quan trọng trong một tình huống và cách áp dụng nó vào các tình huống mới. Để trí tuệ nhân tạo có thể ra quyết định gần giống cách con người làm, nó cần tích hợp nhiều ngữ cảnh. Mà không có thông tin xung quanh và liên quan, trí tuệ nhân tạo sẽ đòi hỏi việc đào tạo cặn kẽ hơn, các quy tắc rõ ràng hơn và các ứng dụng cụ thể hơn.
4 Cách Mà Đồ Thị Cung Cấp Ngữ Cảnh Tăng Cường
Ít nhất có bốn lĩnh vực chính mà đồ thị cung cấp ngữ cảnh cho trí tuệ nhân tạo, chúng ta sẽ mô tả chi tiết trong các phần tiếp theo trong phần còn lại của bài viết này.
Thứ nhất là các đồ thị tri thức, cung cấp ngữ cảnh cho việc hỗ trợ quyết định (ví dụ: cho nhân viên trung tâm cuộc gọi hoặc kỹ sư hỗ trợ) và giúp đảm bảo rằng các câu trả lời phù hợp với tình huống (ví dụ: xe tự động trong điều kiện lái xe mưa).
Thứ hai, đồ thị cung cấp hiệu suất xử lý tốt hơn, và do đó, học máy tăng cường bằng đồ thị sử dụng đồ thị để tối ưu hóa mô hình và làm tăng tốc quá trình.
Thứ ba, việc trích xuất đặc điểm liên quan phân tích dữ liệu để xác định các yếu tố có khả năng dự đoán nhất trong dữ liệu. Dựa trên các đặc điểm mạnh mẽ được tìm thấy trong dữ liệu để xây dựng một mô hình dự đoán cải thiện độ chính xác.
Và thứ tư, cuối cùng, đồ thị cung cấp một cách để giải thích cách trí tuệ nhân tạo đưa ra quyết định. Lĩnh vực này được gọi là khả năng giải thích của trí tuệ nhân tạo (AI explainability).
Đồ Thị Tri Thức: Ngữ Cảnh Hỗ trợ Cho Quyết Định
Một trong những lĩnh vực của trí tuệ nhân tạo đã phát triển nhanh chóng nhất là hỗ trợ quyết định. Hãy giả sử chúng ta đang cố gắng giải quyết một vấn đề thực tế: đưa ra một quyết định đòi hỏi con người phải có thông tin ngữ cảnh đúng, liên quan và cố gắng tự động hóa hoặc tối ưu hóa quy trình đó một cách nào đó.
Đồ thị tri thức cung cấp một cách để tối ưu hóa luồng công việc, tự động hóa phản hồi và mở rộng các quyết định thông minh. Ở mức cao, đồ thị tri thức là các tập hợp liên kết của các sự thật mô tả các thực thể, sự thật hoặc đối tượng trong thế giới thực và mối quan hệ giữa chúng một cách dễ hiểu đối với con người. Khác với một cơ sở tri thức đơn giản với cấu trúc phẳng và nội dung tĩnh, một đồ thị tri thức thu thập và tích hợp thông tin liền kề bằng cách sử dụng mối quan hệ dữ liệu để tạo ra tri thức mới.
Dưới đây là một số đặc điểm chính của đồ thị tri thức:
– Một đồ thị tri thức cần được kết nối quanh các thuộc tính liên quan. Vì không phải dữ liệu nào cũng là tri thức, chúng ta tìm kiếm thông tin thích hợp có liên quan ngữ cảnh.
– Một đồ thị tri thức là động, vì chính đồ thị hiểu được những gì kết nối các thực thể, loại bỏ cần phải lập trình thủ công cho mỗi thông tin mới. Một đồ thị tri thức có khả năng thiết lập các mối liên hệ thích hợp qua các thuộc tính quan trọng với chúng ta vì chúng ta đã lập trình chúng trước đó.
– Một đồ thị tri thức cần phải dễ hiểu. Đôi khi chúng ta nói nó là ngữ nghĩa vì tri thức chính nó cho chúng ta biết nó là gì. Các siêu dữ liệu thông minh giúp chúng ta duyệt qua đồ thị để tìm câu trả lời cho các vấn đề cụ thể, ngay cả khi chúng ta không biết cách hỏi một cách chính xác.
– Trong thực tế, một đồ thị tri thức thường chứa các loại dữ liệu đa dạng. Nó kết hợp và phát hiện các mối quan hệ qua các nguồn thông tin khác nhau.
Hiện nay, trên thị trường có ba loại chính của đồ thị tri thức: đồ thị tri thức giàu ngữ cảnh, đồ thị tri thức có khả năng cảm biến từ nguồn bên ngoài và xử lý ngôn ngữ tự nhiên (NLP).
Đồ Thị Tri Thức Giàu Ngữ Cảnh
Một đồ thị tri thức đầy ngữ cảnh giải quyết việc tìm kiếm tài liệu dựa trên từ khóa đơn giản hoặc xác định sự quan trọng của một từ đơn lẻ không hoạt động tốt cho một tập hợp lớn tri thức đa dạng. Một đồ thị tri thức cho phép chúng ta tích hợp ngữ cảnh của các tài liệu nội bộ và tập tin với việc gắn nhãn siêu dữ liệu. Việc kết nối thông tin này trong một đồ thị cho phép chúng ta duyệt qua tri thức đó nhanh chóng hơn.
Trường hợp sử dụng phổ biến nhất cho một đồ thị tri thức đầy ngữ cảnh là công cụ tìm kiếm của Google, nhưng phân loại tài liệu và hỗ trợ khách hàng cũng là các ứng dụng thông thường. Ví dụ, nếu chúng ta ghi lại hàng chục nghìn vấn đề hỗ trợ kỹ thuật phức tạp mỗi năm, việc có thể hiển thị cho một kỹ thuật viên vấn đề tương tự nhất chúng tôi đã gặp, cách giải quyết và các tài liệu liên quan sẽ tăng tốc đáng kể quá trình giải quyết.
Một đồ thị tri thức đầy ngữ cảnh hoạt động tốt cho các tổ chức có nhiều tri thức được ghi lại dưới dạng tài liệu. Đồ thị tri thức giúp điền vào khoảng trống giữa việc có thông tin (thu thập dữ liệu) và việc tìm kiếm và áp dụng thông tin đó (kết nối dữ liệu). Một ví dụ là cơ sở dữ liệu Lessons Learned của NASA, ghi lại 50 năm tri thức về các nhiệm vụ và dự án trong quá khứ.
Đồ Thị Tri Thức Cung Cấp Từ Bên Ngoài
Một đồ thị tri thức theo dõi từ bên ngoài tổng hợp các nguồn dữ liệu từ bên ngoài và ánh xạ chúng vào các thực thể nội bộ quan tâm. Ví dụ, trong việc đánh giá rủi ro chuỗi cung ứng, chúng ta có thể muốn xem xét tất cả các nhà cung cấp của chúng ta, tất cả các nơi họ sản xuất và tất cả các đường cung ứng để phân tích rủi ro ngắt quãng. Sau đó, chúng ta có thể xem xét cách một thảm họa tự nhiên tại một vị trí cụ thể có thể ảnh hưởng đến chuỗi cung ứng và xác định các nhà cung cấp tương tự ở các vị trí khác.
Nói chung, chúng ta cần có khả năng tích hợp một lượng lớn thông tin từ thị trường: cảm nhận thông tin, xác định điều gì có liên quan ngữ cảnh và trình bày cho người đúng. Ngoài việc giám sát chuỗi cung ứng, việc theo dõi thông tin từ bên ngoài còn được sử dụng để phân tích rủi ro tuân thủ, tác động của hoạt động thị trường và cơ hội bán hàng.
Ví dụ, Thomson Reuters (hiện là Refinitiv) có một nguồn dữ liệu đồ thị tri thức về nội dung tài chính, cho phép các tổ chức kết nối tri thức từ bên ngoài và bên trong và đưa ra quyết định tài chính tốt nhất có thể nhanh chóng, thường trước khi thị trường rộng lớn có thời gian phản ứng.
Đồ Thị Tri Thức Xử Lý Ngôn Ngữ Tự Nhiên
Đồ thị tri thức xử lý ngôn ngữ tự nhiên (NLP) tích hợp sự phức tạp và tinh tế của ngôn ngữ con người. Đồ thị tri thức NLP yêu cầu hiểu biết về các thuật ngữ kỹ thuật cụ thể của một công ty, tên sản phẩm, viết tắt ngành công nghiệp, số lượng sản phẩm và thậm chí cả việc viết sai chính tả thông thường. Đây là nơi mà các nhà phân tích tạo ra một đồ thị tri thức để ánh xạ ý nghĩa và xây dựng một bộ từ vựng chuyên ngành, từ đó cải thiện quá trình tìm kiếm và cung cấp kết quả liên quan hơn.
Nhà sản xuất thiết bị nặng Caterpillar sử dụng đồ thị tri thức NLP để cung cấp tích hợp tìm kiếm theo ngôn ngữ tự nhiên và rút ra ý nghĩa từ hàng nghìn tài liệu bảo hành. Một ví dụ khác là ứng dụng eBay cho Google Assistant, sử dụng cả ba loại đồ thị tri thức (đồ thị tri thức đầy ngữ cảnh, đồ thị tri thức theo dõi từ bên ngoài và NLP) để hướng dẫn người mua đến sản phẩm hoàn hảo.
Nhiều ứng dụng trí tuệ nhân tạo sử dụng đồ thị hôm nay tận dụng đồ thị tri thức. Phần còn lại của bài viết này khám phá những lĩnh vực khác nơi công nghệ đồ thị mang lại hứa hẹn cho các ứng dụng trí tuệ nhân tạo.
Học Máy Tăng Tốc Bằng Đồ Thị: Ngữ Cảnh Đối Với Hiệu Quả
Phương pháp học máy hiện tại thường dựa vào dữ liệu được lưu trữ trong các bảng. Học máy trên dữ liệu như vậy tốn tài nguyên tối đa. Hơn một nửa số CIO của doanh nghiệp trong cuộc khảo sát cho biết việc đào tạo mô hình theo phương pháp lặp lại là một trong những thách thức lớn nhất khi triển khai các dự án trí tuệ nhân tạo từ ý tưởng đến sản xuất.
Đồ thị cung cấp ngữ cảnh để cải thiện hiệu quả cho các thuật toán học máy vì dữ liệu đã được kết nối trong mô hình đồ thị, cho phép các mối quan hệ với nhiều mức tách biệt có thể được duyệt qua và phân tích nhanh chóng theo tỷ lệ. Do đó, có tên gọi là học máy tăng tốc bằng đồ thị.
Con người tự nhiên kết nối thông tin có liên quan với nhau. Ví dụ, hãy tưởng tượng cách mà con người suy nghĩ khi được hỏi: “Bức tranh về con chó này làm bạn liên tưởng đến điều gì?” Một con người sẽ không cần chạy một chương trình phức tạp như một bộ phân loại hàng xóm gần nhất để so sánh con chó đó với tất cả các đối tượng có thể. Chúng ta sẽ nhanh chóng xác định nó là động vật có vú – không phải con người hay đối tượng không sống – và sau đó phân loại nó là con chó.
Khi dữ liệu được lưu trữ dưới dạng bảng, việc kết nối dữ liệu mất nhiều vòng lặp. Ví dụ, quá trình lọc thông tin trở nên không hiệu quả khi mối quan hệ được thể hiện dưới dạng các phép kết nối bảng gây trở ngại cho các đường ống dữ liệu. Các phương pháp khoa học dữ liệu như lọc hợp tác thường đòi hỏi nhiều phép kết nối bởi kết quả từ nhiều bảng, chỉ mục và yêu cầu tìm kiếm.
Quy mô cũng là một vấn đề khác liên quan đến hiệu quả trong học máy. Các thuật toán học máy có thể thực hiện tính toán trên toàn bộ dữ liệu. Để tránh điều này, các nhà phân tích có thể tạo ra các tập con của dữ liệu thủ công. Những cách tiếp cận này thường làm chậm quá trình lặp lại vì chúng entăng hiệu năng tính toán hoặc yêu cầu sự tham gia của con người. Một truy vấn đồ thị đơn giản giúp tăng tốc quy trình này bằng cách trả về một đồ thị con chỉ chứa dữ liệu cần thiết.
Sử dụng đồ thị, chúng ta nhanh chóng trích xuất các đặc điểm dự đoán và định hình lại dữ liệu để có thể sử dụng trong một chuỗi cung ứng học máy. Ví dụ, từ một đồ thị, chúng ta trích xuất tập con liên quan của dữ liệu (ví dụ như một nhóm mạnh mẽ kết nối) thành một định dạng bảng để xây dựng mô hình.
Các chức năng Kết nối: Ngữ Cảnh Phục vụ Độ Chính Xác
Mối quan hệ thường là những chỉ số dự đoán mạnh mẽ về hành vi.
Ví dụ, các nghiên cứu chỉ ra rằng mạng lớn hơn của bạn là một chỉ báo tốt hơn về việc bạn có bỏ phiếu hay không, thậm chí còn tốt hơn cả những mối quan hệ gần gũi (trong trường hợp này, bạn bè của bạn bè có ảnh hưởng hơn cả bạn bè gần gũi). Các đặc điểm kết nối là các chỉ số liên quan đến mối quan hệ trong đồ thị của chúng ta, chẳng hạn như số lượng mối quan hệ vào hoặc ra khỏi các nút, số lượng tam giác tiềm năng hoặc số lượng hàng xóm chung.
Phương pháp học máy hiện tại thường dựa vào dữ liệu đầu vào được xây dựng từ các bảng. Điều này thường đồng nghĩa với việc cố gắng trừu tượng hóa, đơn giản hóa và đôi khi hoàn toàn bỏ qua nhiều mối quan hệ dự đoán và dữ liệu ngữ cảnh quan trọng. Với dữ liệu kết nối và mối quan hệ được lưu trữ dưới dạng đồ thị, việc trích xuất các đặc điểm kết nối và tích hợp tất cả thông tin quan trọng này dễ dàng hơn.
Kỹ nghệ kết nối ngữ cảnh được ứng dụng trong nhiều ngành và đặc biệt hữu ích trong việc điều tra các tội phạm tài chính như gian lận và rửa tiền. Trong những tình huống này, tội phạm thường cố gắng che đậy hoạt động thông qua nhiều lớp che giấu và mối quan hệ mạng. Các phương pháp truyền thống có thể không thể phát hiện ra hành vi như vậy, và đây là nơi mà các đặc điểm trích xuất từ đồ thị tỏ ra xuất sắc.
Có một vài phương pháp khác nhau để sử dụng các đặc điểm kết nối. Trong phần cuối cùng, chúng ta đã bàn về việc trích xuất đặc điểm để định dạng lại dữ liệu và còn quan trọng hơn là việc kỹ thuật đặc điểm (feature engineering) kết hợp và xử lý dữ liệu để tạo ra các đặc điểm mới, có ý nghĩa hơn. Kỹ thuật đặc điểm kết nối có thể liên quan đến các truy vấn đơn giản hoặc thuật toán đồ thị. Khi chúng ta biết chính xác những gì chúng ta đang cố gắng tìm hiểu, ví dụ như xác định có bao nhiêu kẻ gian lận đã biết trong mạng của một người nào đó, một truy vấn cụ thể sẽ hữu ích.
Tuy nhiên, chúng ta nên sử dụng các thuật toán đồ thị để tìm các đặc điểm khi chúng ta biết cấu trúc chung mà chúng ta muốn nhưng không biết mẫu chính xác. Ví dụ, các thuật toán đồ thị giúp đơn giản hóa việc tìm các cộng đồng chặt chẽ có thể là các nhóm gian lận hoặc mạng rửa tiền. Sau đó, chúng ta có thể gán điểm cho các nút trong cộng đồng chặt chẽ của chúng ta và trích xuất thông tin đó để huấn luyện một mô hình học máy.
Cuối cùng, chúng ta sử dụng các thuật toán đồ thị để lựa chọn đặc điểm để giảm số lượng đặc điểm được sử dụng trong một mô hình thành một tập con liên quan. Ví dụ, chúng ta có thể sử dụng các thuật toán như PageRank để tìm các đặc điểm có ảnh hưởng nhất, chẳng hạn như xác định các thuộc tính nào dự đoán gian lận nhiều nhất. Điều này giúp loại bỏ các đặc điểm ít quan trọng hơn và giảm thiểu tình trạng khớp quá mức, gây ra việc mô hình bị điều chỉnh quá mức theo dữ liệu huấn luyện.
Sử dụng các đặc điểm kết nối tối đa hóa khả năng dự đoán của mô hình trong khi tăng cường khả năng áp dụng rộng rãi của giải pháp.
Khả năng giải trình của Trí Tuệ Nhân Tạo: Ngữ Cảnh Đối Với Độ Đáng Tin Cậy
Một trong những thách thức trong việc áp dụng trí tuệ nhân tạo là hiểu cách mà một giải pháp trí tuệ nhân tạo đã đưa ra một quyết định cụ thể. Lĩnh vực giải thích trí tuệ nhân tạo vẫn đang phát triển, nhưng có nhiều nghiên cứu cho thấy đồ thị làm cho các dự đoán trí tuệ nhân tạo dễ dàng theo dõi và giải thích hơn.
Khả năng này rất quan trọng cho việc áp dụng trí tuệ nhân tạo trong dài hạn vì trong nhiều ngành công nghiệp, chẳng hạn như chăm sóc sức khỏe, đánh giá rủi ro tín dụng và công tư phạm, chúng ta phải có khả năng giải thích cách và tại sao trí tuệ nhân tạo đã đưa ra quyết định. Đây là nơi mà đồ thị có thể cung cấp ngữ cảnh để tăng cường độ đáng tin cậy.
Có nhiều ví dụ về học máy và học sâu cung cấp các câu trả lời không chính xác. Ví dụ, bộ phân loại có thể tạo ra các mối liên hệ dẫn đến việc phân loại sai, chẳng hạn như phân loại một con chó là một con sói. Đôi khi việc hiểu rõ nguyên nhân dẫn đến quyết định của giải pháp trí tuệ nhân tạo là một thách thức quan trọng.
Có ba loại giải thích liên quan đến loại câu hỏi chúng ta đang đặt ra.
Giải thích Dữ liệu (Explainable Data) có nghĩa là chúng ta biết dữ liệu nào được sử dụng để đào tạo mô hình của chúng ta và tại sao. Thật không may, điều này không đơn giản như chúng ta có thể nghĩ. Nếu chúng ta xem xét một nhà cung cấp dịch vụ đám mây lớn hoặc một công ty như Facebook có lượng dữ liệu khổng lồ, việc biết chính xác dữ liệu nào đã được sử dụng để hỗ trợ thuật toán của chúng là khó khăn.
Giải thích Mô hình (Model Explainability) liên quan đến việc chúng ta hiểu rõ cách mô hình đã đưa ra quyết định dựa trên dữ liệu. Điều này có ý nghĩa khi chúng ta muốn biết tại sao một dự đoán cụ thể được thực hiện bởi mô hình.
Giải thích Dự đoán (Prediction Explainability) đề cập đến việc chúng ta có thể giải thích cách một quyết định cụ thể được đưa ra bởi mô hình. Điều này đặc biệt quan trọng khi chúng ta muốn biết tại sao mô hình đã đưa ra một dự đoán cụ thể.
Đồ thị giải quyết vấn đề giải thích dữ liệu khá dễ dàng, sử dụng các phương pháp hệ thống dữ liệu đã được áp dụng bởi hầu hết các tổ chức tài chính hàng đầu ngày nay. Điều này yêu cầu lưu trữ dữ liệu của chúng ta dưới dạng đồ thị nhưng cung cấp khả năng theo dõi cách dữ liệu thay đổi, dữ liệu được sử dụng ở đâu và ai đã sử dụng dữ liệu gì.
Một lĩnh vực khác có tiềm năng lớn là nghiên cứu về dự đoán có khả năng giải thích. Đây là nơi chúng ta muốn biết những đặc điểm và trọng số nào đã được sử dụng cho một dự đoán cụ thể. Có nhiều nghiên cứu đang tiến hành về việc sử dụng đồ thị để làm cho các dự đoán trở nên dễ hiểu hơn.
Ví dụ, nếu chúng ta liên kết các nút trong một mạng nơ-ron với một đồ thị tri thức được gán nhãn, khi một mạng nơ-ron sử dụng một nút, chúng ta sẽ có cái nhìn vào tất cả dữ liệu liên quan của nút từ đồ thị tri thức. Điều này cho phép chúng ta đi qua các nút được kích hoạt và suy luận một giải thích từ dữ liệu xung quanh.
Cuối cùng, các thuật toán giải thích cho phép chúng ta hiểu được các tầng và ngưỡng riêng lẻ nào dẫn đến một dự đoán. Chúng ta còn cách xa khỏi việc giải quyết vấn đề trong lĩnh vực này, nhưng có nghiên cứu hứa hẹn bao gồm việc xây dựng một tensor trong một đồ thị với các mối quan hệ tuyến tính có trọng số. Các dấu hiệu ban đầu cho thấy chúng ta có thể xác định giải thích và hệ số ở mỗi tầng.
Kết Luận
Trong bài báo này, chúng ta đã xem xét bốn cách mà đồ thị cung cấp ngữ cảnh cho trí tuệ nhân tạo: ngữ cảnh cho quyết định với các đồ thị tri thức, ngữ cảnh cho hiệu suất với học máy gia tăng đồ thị, ngữ cảnh cho độ chính xác với việc trích xuất đặc điểm kết nối và ngữ cảnh cho độ đáng tin cậy với khả năng giải thích trí tuệ nhân tạo.
Trí tuệ nhân tạo và học máy có tiềm năng lớn. Đồ thị mở khóa tiềm năng đó. Điều này bởi vì công nghệ đồ thị tích hợp ngữ cảnh và mối quan hệ làm cho trí tuệ nhân tạo có khả năng áp dụng rộng rãi hơn.
Nếu bạn đang xây dựng một giải pháp trí tuệ nhân tạo, bạn cần công nghệ đồ thị để trao cho nó sức mạnh ngữ cảnh. Nền tảng Đồ thị Neo4j giúp bạn xây dựng các ứng dụng thông minh nhanh hơn, cho phép bạn tìm kiếm thị trường mới, làm hài lòng khách hàng, cải thiện kết quả và giải quyết các thách thức kinh doanh cấp bách nhất.
(Artificial Intelligence & Graph Technology: Enhancing AI with Context & Connections)
