هوش مصنوعی به بازنویسی داده‌ها می‌پردازد؛ نمودارهای دانش در راس قرار دارند

تحول زیرساخت‌های داده‌های شرکتی با ورود هوش مصنوعی و گراف‌های دانش

با گذشت دهه‌ها، زیرساخت‌های داده‌ای شرکت‌ها بر پاسخ به این سوال متمرکز بودند که: «در کسب‌وکار ما چه اتفاقی افتاده است؟» ابزارهای هوش تجاری، انبارهای داده و خطوط انتقال اطلاعات به‌منظور استخراج روندهای تاریخی و ارائه تصویر از عملکرد گذشته طراحی شده بودند. این سیستم‌ها به‌ویژه زمانی کارآمد بودند که تصمیم‌گیری‌ها تحت تأثیر داشبوردها و گزارش‌های فصلی قرار داشتند. اما هم‌اکنون با ورود هوش مصنوعی، بازی تغییر کرده است.

سیستم‌های پیشرفته‌ی امروزی نه تنها به خلاصه‌سازی اطلاعات گذشته می‌پردازند، بلکه از داده‌های واقعی برای اتخاذ تصمیم‌های آنی بهره می‌برند. این سیستم‌ها از مشاهده‌ی ایستا فراتر رفته و به استدلال‌های پویا وارد می‌شوند و در نتیجه، نه تنها به سوال «چه اتفاقی افتاد؟» پاسخ می‌دهند، بلکه به پرسش‌های «چرا این اتفاق افتاد؟»، «چه چیزهایی احتمالاً در آینده رخ خواهد داد؟» و «چه اقداماتی باید انجام شود؟» نیز جواب می‌دهند.

شرکت‌ها به این نتیجه رسیده‌اند که معماری‌های سنتی، حتی در فضای ابری، دیگر به تنهایی کافی نیستند. هوش مصنوعی به علاوه نیازمند دسترسی به داده‌ها، به دسترسی به معنا و معانی آن‌ها نیز احتیاج دارد تا نتایج تجاری برای تصمیم‌گیرندگان به ارمغان بیاورد. در این راستا، گراف‌های دانش به کمک می‌آیند. این گراف‌ها لایه‌ای «معنایی» را فراهم می‌کنند که برای موفقیت هوش مصنوعی حیاتی است.

گراف‌های دانش به نمایندگی از موجودیت‌های واقعی مانند افراد، مکان‌ها و محصولات پرداخته و روابط بین آن‌ها را نشان می‌دهند. برخلاف پایگاه‌های داده سنتی که داده‌ها را در جداول ذخیره می‌کنند، گراف‌های دانش اطلاعات را به‌صورت گره‌ها و لبه‌ها سازمان‌دهی می‌کنند که این روش را برای سیستم‌های هوش مصنوعی که نیاز به استدلال و عمل بر اساس زمینه دارند، بهتر از قبل ساخته است.

در حال حاضر، تقاضا برای اطلاعات به‌روز و زمینه‌های مرتبط اهمیت بیشتری دارد، زیرا الگوریتم‌ها باید در زمان واقعی تغییر کنند و عمل کنند. برای ساخت این بنیاد، باید درک دقیقی از نحوه عملکرد گراف‌های دانش در عمل داشته باشید.

مراحل چرخه داده درهوش مصنوعی را می‌توان به چهار مرحله تقسیم کرد: جمع‌آوری، پردازش، تحلیل و فعال‌سازی، در حالی که حاکمیت همواره در این مراحل گنجانده شده است. ادغام داده‌ها اولویت اول است و یک گراف دانش مفید بایستی شامل منابع ساخت‌یافته، نیمه‌ساخت‌یافته و غیرساخت‌یافته باشد. این شامل لاگ‌های تراکنش، فایل‌های PDF و داده‌های حسگر است که همگی به یک زمینه مشترک نقشه‌برداری شده‌اند.

علاوه بر این، پایگاه داده باید از عملیات بومی گراف پشتیبانی کند. در نهایت، به‌روزرسانی‌های آنی و قابلیت مشاهده داده‌ها نیز از اهمیت بالایی برخوردارند. گراف‌های قدیمی یا کدر باعث تصمیم‌گیری‌های ضعیف می‌شوند. سیستم شما باید به‌روزرسانی‌های آنی، ردیابی تاریخچه، کنترل دسترسی و نظارت بر کیفیت و عملکرد گراف را فراهم کند.

گوگل با بیش از یک دهه تحقیق و توسعه، یکی از معروف‌ترین گراف‌های دانش دنیا را ایجاد کرده که موتور جستجو، یوتیوب و نقشه‌ها را پشتیبانی می‌کند. این سیستم اطلاعاتی را به میلیاردها کاربر در هر روز ارائه می‌دهد. به عنوان مثال، زمانی که کسی به دنبال «Jaguar» می‌گردد، سیستم تنها به تطابق کلمات پاسخ نمی‌دهد بلکه نتیجه‌گیری می‌کند که آیا کاربر به دنبال خودرو، حیوان یا تیم ورزشی است.

در نهایت، ساخت گراف تنها نیمی از کار است و نگهداری آن به‌طور مؤثر و پایدار، چالشی مداوم در مهندسی است. شرکت‌ها نیازمند همکارانی با تجربه در زمینه زیرساخت و هوش مصنوعی هستند زیرا گراف‌های دانش به دیسیپلین کاملی در تمامی جنبه‌های مرتبط نیاز دارند.

این گراف‌ها به‌عنوان لایه‌ای برای سیستم‌های هوش به کار می‌روند و به ایجاد هوش‌های هوشمندتر و دقیق‌تر کمک می‌کنند که داده‌ها را به اقداماتی تبدیل می‌کنند که اهداف تجاری را در جریان‌های کاری هوش مصنوعی هدایت می‌نماید. امید است که گراف‌های دانش، مشکلات گذشته هوش تجاری را حل کنند و اکنون نیز قابلیت‌های استدلال و هماهنگی لازم برای سیستم‌های خودکار را فراهم کنند.

تبدیل متن‌های فارسی به صوت