Al combinar gráficos de conocimiento y aprendizaje automático, las organizaciones pueden ampliar las capacidades de ML y garantizar que los resultados derivados de sus modelos tengan una sólida explicación y confiabilidad.
Las aplicaciones actuales de Machine Learning (ML) están muy extendidas: desde decidir qué transacciones ejecutar en Wall Street, determinar decisiones de crédito, optimizar inventario, mejorar recomendaciones de productos, predecir si un usuario hará clic en un anuncio o la capacidad de Google para mejorar la eficiencia de enfriamiento en centros de datos. Y eso solo rasca la superficie. El corazón de lo que hace posible el ML es una gran cantidad de datos, lo que significa que si las empresas no tienen acceso o una buena comprensión de las relaciones de datos de sus activos de datos, perderán oportunidades. Los gráficos de conocimiento pueden ayudar.
¿Por qué? Las empresas que se esfuerzan por definir e implementar el aprendizaje automático al mismo tiempo están descubriendo que la parte fácil es implementar los algoritmos utilizados para hacer que las máquinas sean inteligentes sobre un conjunto de datos o un problema. Entonces, ¿cuál es la parte difícil? Aquí hay una pista: los datos se están convirtiendo en el diferenciador clave en la carrera del aprendizaje automático. Las empresas se esfuerzan por transformarse para seguir siendo competitivas digitalmente, y lo que está en juego no podría ser mayor.
Como resultado, las organizaciones buscan tecnologías de gráficos de conocimiento para mejorar la búsqueda de datos, la recuperación de información y las recomendaciones. Al combinar gráficos de conocimiento con aprendizaje automático, las organizaciones pueden hacer que el aprendizaje automático sea más ubicuo y exitoso. Según la investigación de Gartner, el 23 % de las organizaciones implementaron técnicas gráficas en sus proyectos de inteligencia artificial (IA). Quizás otras organizaciones no sepan que pueden combinar gráficos de conocimiento con aprendizaje automático mediante el uso de plataformas que son fáciles de adoptar y escalar. Esto hace que el aprendizaje automático sea más común y más exitoso.
Ver también: Cómo los gráficos de datos proporcionan una ventaja competitiva
Gráficos de conocimiento y su relación con el aprendizaje automático
Los gráficos de conocimiento conectan y contextualizan datos dispares. Creados para capturar dinámicas, los gráficos de conocimiento aceptan fácilmente nuevos datos, conjuntos de datos, definiciones y requisitos. A medida que cada parte de la organización eleva su información como hechos en el gráfico de conocimiento, se obtiene más información y se obtiene más valor. El gráfico de conocimiento a menudo se posiciona como la capa de datos semánticos en la capa de datos de la empresa. La parte «semántica» es la capacidad de describir el significado de entidades y relaciones, ya sea en taxonomías simples o en ontologías profundas que capturan el significado de los datos. Como capa en una arquitectura empresarial, el conocimiento proporciona un conjunto seguro de puntos finales para consumir el gráfico de conocimiento en un ecosistema de software comercial listo para usar, herramientas de análisis, cadenas de herramientas de ciencia de datos y mucho más.
El aprendizaje automático y la inteligencia artificial (IA) irrumpieron en escena durante la última década, impulsados por historias que van desde los autos sin conductor hasta los proveedores de Internet más grandes que tienen motores de recomendación inquietantemente precisos sobre lo que nos gustaría comprar a continuación. La historia del proceso de ML comienza y termina con datos, y el desafío es claro: las empresas que pueden adquirir datos limpios y conectados para entrenar los modelos de ML y luego usar estos datos adicionales dominarán la próxima década de soluciones tecnológicas en casi todos los sectores.
¿Cómo aborda un gráfico de conocimiento este desafío? La respuesta vuelve a los datos. Comenzando desde el principio, el científico de datos y las soluciones de ML requieren información de alta calidad, correctamente interpretada para que pueda ser utilizada en ingeniería de características, entrenada en modelos y analizada en los resultados. Muchos equipos hacen esto a mano hoy en día, llamándolo disputa de datos y gastando más del 70-80% del tiempo del desarrollador reelaborando y remodelando los datos. El gráfico de conocimiento proporciona la terminología conectada, alineada y armonizada en todos los dominios del negocio y configurada para un fácil consumo en todo tipo de herramientas y sistemas de software de ML. El resultado es mucho menos horas dedicadas a buscar datos, limpiar datos o tener que remodelarlos para el proceso de ML. Además, los metadatos sobre esas funciones y lo que sucedió con esos datos se pueden capturar en el gráfico de conocimiento. Esto proporciona pedigrí a los hechos probables, predicciones o clasificaciones producidas al ejecutar los modelos ML.
La segunda área principal es ¿qué sucede con los resultados de las ejecuciones de ML? Tradicionalmente, estos valores se pueden usar para proporcionar un informe específico, alimentar un tablero en particular o proporcionar un ciclo de retroalimentación para rutinas de ML adicionales. El gráfico de conocimiento ofrece otra opción: capturar estos hechos probables, las predicciones y recomendaciones, pesos y puntajes, y otra información generada y aumentar el gráfico. Los resultados de ML no solo se etiquetan o etiquetan, sino que se armonizan con el modelo comercial con el que se relacionan y se vinculan específicamente con las entidades y relaciones clave a las que se hace referencia en el resultado del modelo.
Este proceso gráfico de ML a conocimiento se puede realizar en forma de enriquecimiento del conocimiento existente con nueva información aprendida por el proceso de ML o combinando varios resultados de ML en un gráfico para su análisis y desarrollo posterior. Por ejemplo, tome un modelo de ML que prediga la producción del próximo mes y otro modelo de ML que prediga cuellos de botella en la cadena de suministro en los principales puertos. Estos dos resultados se pueden combinar en el gráfico de conocimiento empresarial que normalmente contendría Customer 360, Product 360 y otros gráficos transversales junto con modelos lógicos y restricciones. Dicho sistema permitiría a la empresa tomar decisiones más ágiles e informadas más allá de si solo tuvieran los informes de ML o solo tuvieran el gráfico de conocimiento.
Dado que los gráficos de conocimiento brindan información de dominio y contexto en un formato legible por máquina, las organizaciones pueden integrarlos con enfoques de ML explicables, brindando explicaciones más confiables. Al combinar gráficos de conocimiento y aprendizaje automático, las organizaciones pueden ampliar las capacidades del aprendizaje automático y garantizar que el resultado derivado de los modelos de aprendizaje automático tenga una sólida explicabilidad y confiabilidad.
