避免又一个AI寒冬？

开始

无法解释和重现AI模型是我们需要克服的一大障碍，我们需要让AI既可信赖又实用。要解决这个问题，我们可以退后一步，考虑利用符号主义AI，然后采取两个措施，将符号主义AI(经典知识表示、基于规则的系统、推理、图形搜索)与机器学习结合起来。

符号主义AI通过使用本体和分类法为数据添加了含义或者语义。基于规则的系统是符号主义AI的一项主要技术。这些系统非常依赖于这些本体和分类法，因为这些方法有助于制定正确的、有意义的if/then规则。使用规则和基于规则的系统，好处在于提供了一致且可重复的结果，有助于获得可解释的结果。

消除数据孤岛

为了让AI满足当前的期望，我们还需要消除跨IT系统查询的孤岛，发布更精细的聚合查询，自动执行模式和数据验证措施，以获取准确的分析结果。

为机器学习模型聚合各种不同的训练数据集，要求能够跨数据库进行查询，或者迅速为此整合各种不同的来源。语义图数据库通过基于标准的方法支持统计AI的这一先决条件，在这个方法中，图形的每个节点和边缘都具有唯一的、机器可读的全局标识符。

因此，企业组织可以将不同的数据库连接在一起，以便在这些数据库之间进行查询，同时合并各种常见用例的来源，例如预测个人的下一个健康问题或者及时的供应链管理。

这种联合查询可以确保数据始终保持相关性，并且对任何新兴技术都具有前瞻性。在这个需要AI和分析进行实时决策的时代，企业组织根本没有时间在孤岛数据库之间重建架构和术语。

自动验证数据

模式概念与数据验证本质上是相关，这对于信任查询结果从而进行分析来说是至关重要的。语义知识图通过自然发展的数据模型、自描述模式和按需模式选项(例如JSON、JSON-LD和SHACL)实现所有模式的标准化。

SHACL之类的框架对于验证数据来说是至关重要，这是通过确保数据形状一致来自动验证的。现实情况是，如果没有明确的机制，就几乎不可能在不编写过程代码的情况下针对数据质量这一基本方面来验证数据，这个过程可能是非常费时(取决

（编辑：周口站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!