Exploiter les perspectives à grand angle des graphes de connaissances de Quantexa

Graphiques de connaissances sont devenus de plus en plus importants dans la suite d'outils d'analyse de graphes, il est donc important de bien comprendre ce qu'ils sont. Dans leur forme la plus simple, les graphes de connaissances sont des structures graphiques qui représentent des nœuds, des arêtes et des étiquettes. Tout objet, lieu ou personne peut être un nœud. Une arête définit la relation entre les nœuds, tandis qu'une étiquette fournit une couche de métadonnées, codant essentiellement les connaissances à calculer et à rechercher à grande échelle par le biais de l'algèbre matricielle et d'autres approches mathématiques computationnelles.

Le Institut Alan Turing est un peu plus granulaire dans sa description :

"Les graphes de connaissances organisent des données provenant de sources multiples, capturent des informations sur des entités d'intérêt dans un domaine ou une tâche donnés (comme des personnes, des lieux ou des événements) et établissent des liens entre elles. Dans les domaines de la science des données et de l'intelligence artificielle, les graphes de connaissances sont couramment utilisés pour.. :

• Faciliter l'accès aux sources de données et leur intégration

• ajouter du contexte et de la profondeur à d'autres techniques d'IA plus axées sur les données, telles que l'apprentissage automatique ; et

• Servir de passerelle entre l'homme et les systèmes, par exemple en générant des explications lisibles par l'homme ou, à plus grande échelle, en permettant aux scientifiques et aux ingénieurs d'utiliser des systèmes intelligents".

L'Institut Turing présente également des arguments convaincants pour justifier sa raison d'être.

"Les graphes de connaissances sont au cœur de nombreuses technologies orientées vers l'humain, telles que la recherche, la réponse aux questions, le dialogue et les recommandations..... De nombreuses organisations, telles que les fournisseurs de soins de santé et de services financiers, sont confrontées à des silos de données au sein de leurs unités organisationnelles. Les graphes de connaissances peuvent aider, entre autres, à la gouvernance des données, à la détection des fraudes, à la gestion des connaissances, à la recherche, aux chatbots, aux recommandations ainsi qu'aux systèmes intelligents dans les différentes unités organisationnelles."

Comme l'indique le texte suivant Vidéo Quantexa sur l'analyse graphique illustrent, les implémentations de graphes de connaissances à grande échelle telles que celles décrites par l'Institut Turing peuvent être plus légères sur le plan informatique. Elles sont susceptibles d'être utilisées dans des situations où la recherche et les classificateurs font apparaître de nouveaux réseaux intéressants dans de vastes espaces, et pour fournir des données d'entrée dans des modèles à grande échelle.

Les graphes de connaissances représentent généralement les réseaux les plus vastes et peuvent être utilisés pour identifier et analyser les points d'intérêt qui s'y trouvent. C'est comme regarder une grande zone géographique avec un télescope : Le télescope révèle des aspects de la vue qui seraient autrement cachés, comme la courbure de la terre. Alors que les sous-graphes égocentriques localisés ne laissent rien au hasard, des graphes de connaissances plus larges (au sens Turing du terme) peuvent élever l'inconnu à travers des réseaux à macro-échelle.

Par exemple, les graphes de connaissances pourraient permettre à une banque de respecter ses engagements en matière de résilience opérationnelle et d'auditer les chaînes d'approvisionnement de tous ses fournisseurs, et non d'un seul. Elle pourrait évaluer les connaissances des entités partageant certaines caractéristiques au sein de chaînes d'approvisionnement étendues, puis éventuellement lancer des analyses spécifiques sur des parties révélées des chaînes d'approvisionnement. Par exemple, un graphe de connaissances peut mettre en évidence l'écoblanchiment d'entités qui prétendent avoir des références vertes, mais qui ont de multiples émetteurs de carbone cachés dans leur structure d'entreprise et dans leurs chaînes d'approvisionnement.

En quoi les graphiques de connaissances de Quantexa sont-ils différents ?

Le succès des graphes de connaissances de Quantexa commence avec la plate-forme d'intelligence décisionnelle de l'entreprise.

La plate-forme Decision Intelligence de Quantexa aide les utilisateurs à nettoyer, enrichir, faire correspondre et comprendre les données en connectant des sources de données cloisonnées, en publiant et en visualisant des relations complexes dans un contexte réel. Le résultat est une vue unique à 360 degrés des données, qui vous offre une vue flexible des entités, des objets et des identifiants à travers vos réseaux, avec des analyses graphiques à portée de main. Cela vous aide à répondre à de multiples cas d'utilisation pour l'ensemble des données de votre organisation.

Voici quatre avantages de la plateforme :

1. Il est facile d'ingérer des données. La plateforme permet aux data scientists, aux ingénieurs de données et aux analystes axés sur les données de préparer, de configurer et d'ingérer facilement des milliards de points de données dans de multiples formats.

2. Les entités sont résolues avec une précision de plus de 99 % avec Quantexa. vous accorder une vision flexible des entités, des objets et des identifiants sur l'ensemble de vos réseaux, qui peuvent servir plusieurs cas d'utilisation. Par exemple, les cas de conformité à la fraude bénéficient d'une intelligence plus "floue", où les indices sont mis en évidence pour une enquête plus approfondie. D'autre part, les entités de votre base de données marketing conforme au GDPR doivent être comprises avec précision.

3. En tirant parti de l'analyse des graphes et en déployant des méthodologies d'évaluation, le contexte est révélé, disponible et utilisable. Par exemple, vous pouvez détecter des modèles et des relations clés dans votre ensemble de données afin d'identifier et de calibrer les caractéristiques dans les flux de travail d'apprentissage automatique.

4. Parce que la plate-forme Decision Intelligence de Quantexa fonctionne avec votre patrimoine de données existant, il n'est pas nécessaire de disposer d'une base de données graphique spécifique, sans parler des bases de données graphiques multiples, avec les contraintes de schéma qui les accompagnent.

La plate-forme Quantexa Decision Intelligence fournit des analyses et des informations contextuelles aux principales organisations du monde entier, en les aidant à identifier les délits, à construire des informations, à nettoyer les ensembles de données, à prendre des décisions en matière de risque et à identifier les connexions et les relations.

Fondés sur la plate-forme Quantexa Decision Intelligence Platform, qui couvre l'ensemble de l'entreprise, les Quantexa Knowledge Graphs nous permettent d'effectuer des analyses de graphes contextuels à grande échelle. Ils peuvent le faire parce qu'ils :

• Centrer les graphes de connaissance sur la certitude et l'intelligence de Quantexa Résolution de l'entité en garantissant la validation, la précision et l'assurance

• Étendez l'ensemble des données de votre organisation et consommez de nombreux types de données.

• Incorporer une ontologie préconstruite inférée, de sorte que vous n'avez pas besoin de créer votre propre ontologie.

• Ils sont légers sur le plan informatique, ce qui signifie qu'il est possible de les utiliser :

  • Exécution par lots à la vitesse et avec intensité pour l'analyse automatisée, y compris l'alimentation des magasins de caractéristiques pour l'apprentissage de modèles ou l'inférence de modèles en temps réel.

  • Explorer de manière interactive les réseaux les plus vastes pour déterminer les entités et les régions d'intérêt, afin d'améliorer les processus d'investigation humains.

• sont basés sur Python et extensibles. Ils sont faciles à utiliser pour les développeurs et les scientifiques des données, et à intégrer dans vos flux de travail de science des données et d'IA. Par exemple, ils peuvent se connecter à l'apprentissage profond, aux réseaux neuronaux, à la recherche et à d'autres techniques pour en révéler davantage dans les cas d'utilisation de votre entreprise.

Les graphes de connaissances de Quantexa fonctionnent mieux à grande échelle. De nombreux outils sont capables d'évaluer une seule entreprise, mais qu'en est-il si vous avez 10, 50 ou 200 millions de clients et que vous voulez comprendre toutes les entités à travers des milliards d'enregistrements sans avoir à prendre le temps de définir une ontologie (c'est-à-dire un cadre [sémantique] structuré) ? Les bases de données graphiques ont du mal à faire face à une telle échelle et offrent moins d'interaction analytique. Dans un cas, Quantexa Knowledge Graphs a effectué le même travail qu'une base de données graphique douze fois plus rapidement que d'autres graphes de connaissances, tout en élargissant le filet pour poser plus de questions..

Pour revenir à l'analogie du télescope, tous les télescopes sont différents. Les graphes de connaissances de Quantexa offrent des perspectives beaucoup plus étendues et des possibilités d'analyse immédiatement disponibles. C'est le télescope James Webb des graphes de connaissances.

L'intersection des graphes de connaissances et de l'IA générative

Avec l'évolution des technologies d'IA générative, les graphes de connaissances ont pris de l'ampleur, notamment pour apporter un contexte organisationnel aux grands modèles de langage (LLM) dans les flux de travail de l'ingénierie des connaissances. Le contexte dérivé des graphes de connaissances, qui superposent des bases de données d'entreprise et des ensembles de données non structurées, peut apporter une intelligence d'entreprise contextuelle et traçable à la connaissance générale encapsulée dans les LLM. Par exemple, quelles nouvelles relations devriez-vous explorer plus avant pour obtenir des informations sur l'écoblanchiment dans vos chaînes d'approvisionnement ? La traçabilité des graphiques est particulièrement pertinente pour les industries réglementées telles que les services financiers, les soins de santé et le secteur public.

Les grands modèles de langage ont une excellente compréhension du monde, mais ils ne comprennent pas votre données. En combinant votre intelligence contextuelle sous la forme d'un graphe de connaissances avec le vaste corpus de connaissances d'un LLM, vous obtenez le meilleur mariage possible. En outre, grâce aux copilotes, l'utilisation des modèles d'IA ne doit plus être réservée aux scientifiques des données, mais peut être accessible aux décideurs.

Dans les prochains blogs, nous explorerons l'intersection de l'IA et des graphes de connaissances dans les infrastructures de Génération Augmentée de Récupération, et nous montrerons également des exemples de graphes de connaissances de Quantexa.

En conclusion

Les graphes de connaissances offrent une portée télescopique à l'intelligence des réseaux, en utilisant et en complétant une série de techniques d'intelligence artificielle et d'appariement statistique pour obtenir rapidement de nouvelles informations et de nouvelles connexions dans des réseaux à grande échelle.

Comme le télescope James Webb de la NASA qui étudie les galaxies, les graphes de connaissances de Quantexa vous offrent l'échelle la plus large pour vos recherches. Grâce à eux, vous pouvez en savoir plus sur l'ensemble de votre patrimoine de données sans dupliquer les magasins de données ni avoir besoin d'adhérer à des contraintes de schéma ou de définir des ontologies. Les graphes de connaissance Quantexa offrent la flexibilité nécessaire pour visualiser et analyser immédiatement vos réseaux les plus vastes, pour identifier les nœuds pour la génération de réseaux égocentriques ciblés, et pour élever les cas d'utilisation des clients chargés de valeur via l'IA améliorée par le LLM et les pipelines de science des données.

Artificial Intelligence

How Quantexa Augments and Automates Decision Intelligence with AI