人工智能的未来在于将机器学习分类的力量与精心策划的
知识图谱融合在一起。
数据点
混合
人工智能已经克服了单一技术方法的局限性
符号 AI 理解实际知识，而不仅仅是数据
混合解决方案打开了人工智能的“黑匣子”，有助于在整个劳动力中实现技术民主化
符号 AI 和机器学习/
深度学习都有自己的一套优势，当它们以混合方式一起使用时，可以形成一种强大的方法，可以独特地支持许多关键的企业应用程序。但在我们开始之前，让我们来看看每个带来了什么。
象征性人工智能
符号 AI 旨在使用实际知识来更好地理解现实世界的想法和概念。这类似于人类（又名生物智能）如何使用特定的、面向领域的、符号的和语义的知识来解释我们的环境。符号 AI 将其算法结果与其所接触的知识的明确表示联系起来。符号人工智能最重要的贡献是在自然语言处理（NLP）和自然语言理解（NLU）领域。
机器学习/深度学习
机器学习 (ML) 是目前企业开发管道中最常见的 AI 形式。由于它有能力自主处理不同的数据集并改变自己的行为作为响应，它本质上是“学习”其环境的模式并做出相应的响应。这使其成为自动化和自主计算环境的灵活且有价值的工具。
深度学习（DL）是基于神经网络的机器学习。平均而言，DL 可以返回更好的结果，但计算/能源成本可能比简单的 ML 技术高出许多数量级。
挖掘非结构化语言的价值
人工智能有可能显着减轻阻碍提高生产力和盈利能力的两个主要负担。需要有效地挖掘非结构化数据的隐藏价值。并且需要实现更高水平的自动化，不仅是在构成绝大多数结构化数据驱动工作流的死记硬背的重复功能上，而且在信息密集型（或非结构化数据驱动）流程上也是如此。
同时，组织必须以非破坏性和完全透明的方式引入新技术方法，以便其带来的任何变化都易于理解，并且由此产生的收益是明确和直接的。
纯粹的机器学习方法很难满足所有这些要求。从本质上讲，它们是一个黑盒场景：它们的内部工作——基本上是它们的决策过程——仍然是隐藏的和无法解释的。例如，当仅将 ML 用于自然语言处理时，对输入数据的任何更改都可能导致模型漂移，从而迫使您再次训练和测试数据。
符号和机器学习方法不是相互排斥的方法：通过采用具有所有这些特征的混合方法，企业可以实现世界上最好的。这包括对核心流程和应用程序的高效、有效支持，完全透明地了解给定 AI 模型为何如此行事，以及如果其性能开始波动，可以采取哪些措施来纠正它。
事实上，在大多数企业中，最大的信息宝库是语言形式的非结构化数据。从电子邮件到录音，从法律合同到法规，口头和书面文字是业务开展的方式。传统计算平台擅长处理结构化数据，例如客户列表、财务记录和绩效指标，但直到最近 AI 才使以经济高效的方式处理非结构化内容成为可能。
符号的力量
符号推理和语义理解可以在整个 AI 生态系统中产生更准确的结果，同时还可以减少训练新模型的时间和费用，首先是通过提高输入数据的质量，然后简化支持这些模型所需的繁琐和资源密集型基础设施大量。
从操作上讲，混合环境提供了推动人工智能超越机械、重复性任务的简单自动化的方法，以承担需要知识和专业知识但仍不处于需要人工操作员的战略级别的更高级别的工作。
一个典型的例子是注释，即标记信息以便机器可以使用的过程。这是一项艰巨而乏味的工作，但需要长期且昂贵的培训。但是，通过在符号学习环境中利用适当的知识库和图表，可以将这种培训简化到可以在整个知识劳动力中传播的程度。
信任很重要
如上所述，当前 AI 部署的另一个关键问题是信任。ML/DL 存在黑盒问题，因为它的输出不透明或不可解释。
这个问题通常表现在人工智能训练模型中的偏见领域。人工智能喷出种族主义、厌恶女性和其他有害结果的故事比比皆是，因为它的输入数据已经向这个方向倾斜。如果无法直接查看这些提要并查看算法如何响应它们，则必须使整个系统脱机并分解，然后重新训练并重新引入生产。偏见还可能以其他方式阻碍人工智能，例如错误地预测关键细分市场的购买趋势或未能考虑大学招生中的文化因素。
可解释的人工智能
通过引入符号 AI，打开了黑匣子，让用户可以了解为什么机器会以特定方式运行，以及如果结果不理想，可以采取哪些措施来改变它。此外，这种可见性使操作员能够持续监控自己的流程，从而简化和优化流程。
人工智能是一个强大的工具，可以为企业数据运营创造奇迹，但它仍处于起步阶段。对于具有前瞻性的组织来说，标准的单模式 AI 迭代的局限性已经变得清晰起来。需要一种方法使该技术更具适应性，更能深入研究存储数据的深度，同时变得更易于使用且成本更低。
混合人工智能——基于理解实际知识而不是简单学习模式的符号人工智能——是企业挖掘他们多年来收集的所有数据价值的最佳方式。
相关帖子DA内容精选
- 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
|
扫码加好友，拉您进群
全部版块
我的主页
收藏
