en TRANSFORMACIÓN DIGITAL

AI está preparada para impulsar la próxima oleada tecnológica en cualquier industria. Sin embargo, al igual que las revoluciones tecnológicas anteriores en la web y los dispositivos móviles, habrá enormes dividendos para aquellas organizaciones que puedan aprovechar esta tecnología para obtener una ventaja competitiva.

Garner acaba de incluir los Knowledge Graph en Agosto de 2018 como una de las tecnologías emergentes. Básicamente esto se traduce en que de una u otra manera en los próximos tres años hablaremos de ello desde miles de prismas distintos.

El hecho es que en un entorno cercano, clientes, departamentos, colegas, clientes internos… muchos de ellos están invirtiendo mucho tiempo y esfuerzo en crear aplicaciones de AI por esta misma razón. Desde el exterior, estas aplicaciones no podrían ser más diversas (detección de fraudes, motores de recomendación de minoristas, intercambio de conocimientos), pero veo una gran oportunidad en todos los ámbitos: el contexto.

Sin contexto (quiénes son los usuarios, qué están buscando, qué usuarios similares han buscado en el pasado y cómo se conectan todas estas conexiones) estas aplicaciones de AI  nunca podrán alcanzar su máximo potencial. El contexto es el “dato”, y para ello es necesario trabajar con tecnologías cognitivas.

Tecnologías  cognitivas.

El mejor ejemplo del valor del contexto dentro de los datos es la Web del consumidor. Por ejemplo, la mayoría de nosotros interactuamos con Google todos los días. Para comprender mejor el valor del contexto en la IA, echemos un vistazo al 2012, cuando Google transformó fundamentalmente la búsqueda de “cadenas” a “cosas”. De strings a entidades.

Google es un claro líder en el campo de la IA a través de su propia innovación y adquisición estratégica, entre las cuales se encuentra la adquisición de la firma de IA DeepMind en 2014. Pero una medida más pequeña y menos publicitada, creo, merece más atención: en 2012, Google presentó su “Gráfico de conocimiento”.

Antes de Knowledge Graph, la búsqueda a través de Google era una “cadena”. Si quería saber cuándo se estaba reproduciendo “Star Wars: The Last Jedi”, tenía que buscar una sala de cine, luego hacer clic para encontrar la película adecuada y luego encontrar y desplazarse a través de los horarios. Tuve que saltar a través de múltiples enlaces.

Hoy, si escribo “Star Wars: The Last Jedi” no solo obtengo un enlace a la página de la película, sino que el Knowledge Graph de Google también sabe qué acción es más probable que desee realizar en base a búsquedas anteriores. Gracias al Knowledge Graph, también me ofrecen múltiples opciones como horarios de presentación en mi área, una forma de comprar boletos y el puntaje de Rotten Tomatoes de la película.

Según Wikipedia, el Knowledge Graph de Google “utiliza una base de datos de gráficos para proporcionar información estructurada y detallada sobre el tema, además de una lista de enlaces a otros sitios”. Este gráfico de conocimiento, construido sobre una base de datos de gráficos, ha permitido a Google enfocar su busque cosas, o conceptos, y entienda exactamente lo que está buscando en función del contexto.

¿Qué es un gráfico de conocimiento?

Los gráficos de conocimiento son un medio para almacenar y utilizar datos, lo que permite a las personas y las máquinas aprovechar mejor las conexiones en sus conjuntos de datos. En contraste, el patrón típico de NOSQL es simple “almacenar y recuperar”.

Un proceso normal es almacenar datos y  recuperar simétricamente. Ese método aporta muy poco para el usuario en términos de contexto y conexiones. Con los gráficos de conocimiento, cada vez que ingresamos datos enriquecemos todo el ecosistema de datos, porque está conectado a todo lo demás. Cuantos más datos, más contexto. Y este valor contextual crece exponencialmente como la ley de la red de Metcalfe, porque las redes son gráficas.

Debido a su estructura, los gráficos de conocimiento capturan hechos relacionados con personas, procesos, aplicaciones, datos y cosas, y las relaciones entre ellos. También capturan evidencias que puede usarse para atribuir los puntos fuertes de estas relaciones. Aquí es donde se deriva el contexto.

Una pregunta importante: ¿qué separa los gráficos de conocimiento de los data lake o los almacenes de datos? La respuesta es la conveniencia operacional. El almacenamiento de datos es bueno para los proyectos de BI estáticos, pero los gráficos de conocimiento deben ser capaces de generar ideas en tiempo real; de lo contrario, no funcionarán para aplicaciones como las recomendaciones en tiempo real, la detección de fraudes o el intercambio de conocimientos.

Cuando los gráficos de conocimiento se piensan de esta manera, queda claro por qué un gráfico de conocimiento es tan importante para la IA. Google no es la única empresa que usa un gráfico de conocimiento para la IA. Si ha interactuado con un “bot” de compras o servicio al cliente últimamente, es muy probable que también se haya construido sobre un gráfico de conocimiento.

El ShopBot basado en el aprendizaje automático de eBay, por ejemplo, está construido sobre un gráfico de conocimiento. Este es el ejemplo perfecto, directamente de una publicación de Medium por parte del director de productos de eBay, RJ Pittman:

“En la siguiente consulta:“ ¿Puede mostrarme las bolsas de cuero Coach Messenger de menos de  100 euros? ”Las compras se identifican como la intención principal del usuario. eBay ShopBot luego utiliza un enfoque híbrido que aprovecha el aprendizaje profundo y el análisis sintáctico de la dependencia para extraer información relevante relacionada con la intención del comprador.

En el ejemplo anterior, NLU identifica el objeto de interés como una bolsa de mensajero y el rango de precios objetivo entre  0 y  100. Un componente de reconocimiento de entidad nombrada, entrenado en consultas de eBay, se utiliza para identificar el marrón como el color, el cuero como el material y el entrenador como la marca.

Una vez que se conocen la intención, el objeto y las características del objeto, los datos se asignan al inventario de eBay mediante un Knowledge Graph (KG). El KG encapsula los patrones de comportamiento de compra en eBay para cerrar la brecha entre la consulta estructurada y los datos de comportamiento. En otras palabras, el KG ayuda a descubrir las mejores preguntas de seguimiento que se deben hacer para encontrar los mejores resultados en el menor tiempo posible “.

Este es el contexto para la inteligencia artificial centrada en el usuario y por eso creo que los gráficos de conocimiento serán tan fundamentales para los sistemas modernos de inteligencia artificial. El gráfico de conocimiento utiliza datos conectados para comprender conceptos e inferir significado para que el sistema pueda reaccionar mejor a la consulta de un usuario, y el usuario no tiene que unir varias “cadenas” para alcanzar sus objetivos. Mientras tanto, la gráfica acumula conocimiento contextual con cada conversación.

El contexto requiere conexiones y los gráficos, como sistemas complejos, ofrecen el más alto nivel de contexto. Hemos visto que estos gráficos están realmente ansiosos por nuevas conexiones y nuevos datos, lo que a su vez crea la oportunidad para que los científicos de datos evolucionen y refinen los algoritmos que operan en el gráfico. Los clientes como eBay nos han demostrado que los gráficos más grandes y más conectados, impulsados ​​por algoritmos de contextualización más inteligentes, son la base de los valiosos sistemas de inteligencia artificial.

Los gráficos de conocimiento no son tan nuevos como crees

Los gráficos de conocimiento han existido en la empresa durante un tiempo, con los dos casos clásicos para trabajadores del conocimiento o aplicaciones empresariales tradicionales. A medida que las organizaciones acumulan volúmenes de datos históricamente altos, la necesidad de sintetizar esos datos para tomar decisiones estratégicas de negocios es más crítica que nunca.

Hay un nombre para las empresas que obtienen información de los datos conectados (un sistema de puntos de datos que trabajan juntos como un único tejido), una empresa conectada. Esas empresas están preparadas para utilizar gráficos de conocimiento para acelerar la entrega de aplicaciones de inteligencia artificial para su organización.

AI va a impulsar la próxima ola de ventajas competitivas para las empresas, pero la cuestión se reducirá a la ejecución y qué empresas pueden usar la IA con éxito, ya sea para conectarse con sus clientes, reducir el riesgo de fraude, aumentar la productividad de los empleados o mejorar. decisiones de inversión. Esa es la diferencia que hace que una empresa sea una empresa conectada, y lo que finalmente impulsará la próxima ola de ventaja competitiva a través de la IA.

The next wave of competitive advantage through AI