语义AI的六个核心方面
混合方法：语义AI是从符号AI和统计AI衍生的方法的组合。善于弹奏AI钢琴意味着，对于给定的用例，各种利益相关者，不仅是数据科学家，而且还有流程所有者或主题专家，从可用的方法和工具中进行选择，并共同开发最有可能解决该问题的工作流程。潜在的问题。例如，可以将基于机器学习的实体提取与基于语义知识图和相关推理能力的文本挖掘方法结合起来，以获得最佳结果。
数据质量： 语义丰富的数据是提高数据质量的基础，并提供了更多的特征提取选项。这样可以通过机器学习算法计算出更高的预测和分类精度。
数据即服务： 基于W3C语义Web标准的链接数据可以用作企业范围的数据平台，并有助于以更具成本效益的方式为机器学习提供培训数据。可以从知识图或语义数据湖中提取高质量数据，而不是为每个应用程序或用例生成数据集。通过这种基于标准的方法，内部数据和外部数据也可以轻松链接在一起，并且可以用作任何机器学习任务的丰富数据集。
结构化数据与文本相遇：大多数机器学习算法在文本或结构化数据上都可以很好地工作，但是很少将这两种类型的数据结合起来作为一个整体。当使用NLP和文本挖掘方法时，语义数据模型弥合了XML，关系数据，CSV或非结构化文本等最常用的数据格式之间的差距。这使我们可以跨异构数据源链接数据，以提供数据对象作为训练数据集，这些数据对象同时包含来自结构化数据和文本的信息。
没有黑匣子：与“像魔术一样工作”的AI技术形成鲜明对比的是，只有很少的专家真正了解底层技术，语义AI寻求提供一种基础结构，以克服AI系统开发人员与其他利益相关者之间的信息不对称，包括消费者和政策制定者。语义AI最终导致AI治理在三个层面上起作用：技术，道德以及社会和法律层面。
走向自我优化的机器：语义AI是下一代人工智能。机器学习可以帮助扩展知识图（例如，通过“基于语料库的本体学习”或通过基于“扩展激活”的图映射），作为回报，知识图可以帮助改进ML算法（例如，通过“远程监督”） '）。这种集成的方法最终导致系统运行，这些系统在初始设置阶段之后就像自我优化的机器一样工作，同时对基础知识模型透明。图卷积网络（进行中）有望带来新的见识。
题库