Maison > Article > Périphériques technologiques > Ma Guoning, directeur général adjoint de Taifan Technology : cartographier tout, de Königsberg à l'autonomisation de toutes les industries
Les 6 et 7 août 2022, AISummit Global Artificial Intelligence Technology Conference se tiendra comme prévu. Lors du sous-forum « AI Empowering Industry Practice » organisé dans l'après-midi du 7, Ma Guoning, directeur général adjoint de Taifan Technology, a partagé le thème « Cartographier tout, de Königsberg à l'autonomisation de toutes les industries » et a partagé la carte des connaissances dans détail Autonomisation dans des milliers d’industries.
Si Yu Gong était une IA, pourrait-il déplacer des montagnes ?
Si Yu Gong est considéré comme une IA, peut-il déplacer des montagnes ? Comment déplacer des montagnes ?
Ma Guoning a déclaré que dans l'industrie de l'intelligence artificielle, chaque domaine vertical est une grande montagne. Par exemple, dans la finance, l'industrie, les affaires gouvernementales et d'autres secteurs, lorsque vous utilisez des algorithmes pour résoudre des problèmes spécifiques à un secteur, vous constaterez qu'ils sont toujours différents de la conception et de la mise en œuvre d'origine. La raison principale est que la logique de notre algorithme n'est pas nécessairement différente. correspondre à la logique commerciale de l’industrie. La première façon de résoudre ce problème consiste à utiliser l'intelligence des données et l'intelligence informatique pour s'entraîner en fonction de la quantité de données du tas. Cependant, cette méthode entraînera également des goulots d'étranglement à un stade ultérieur. À cette fin, nous avons commencé à utiliser des méthodes d’intelligence perceptuelle telles que la reconnaissance faciale et la reconnaissance vocale pour résoudre les problèmes qui surviennent dans certains scénarios.
Lorsque l'intelligence perceptuelle rencontre également des goulots d'étranglement, la dernière solution consiste à utiliser des algorithmes d'intelligence cognitive pour les résoudre. Alors, l’intelligence cognitive peut-elle simuler la pensée humaine et les processus cognitifs pour résoudre des problèmes complexes et difficiles ?
Dans le domaine de l'intelligence cognitive, Google tente depuis longtemps d'utiliser les graphes de connaissances temps. Toutes les connaissances sont placées sur la même carte, simulant la pensée humaine et le processus de raisonnement et de déduction. Cependant, depuis que Google a proposé cette idée, du moins jusqu’à présent, il n’existe toujours aucun moyen de simuler complètement le processus de pensée humaine. Bien que le processus de construction de la carte ne soit pas compliqué, lorsque la quantité de données est suffisamment importante, divers problèmes seront rencontrés. Par exemple, WolframAlpha compte plus d'un milliard d'entités, DBpedia compte plus de 3 milliards de triples, Google compte actuellement plus de 500 millions d'entités et plus de 10 milliards de connexions relationnelles Microsoft Probase compte à lui seul des dizaines de millions de concepts. Dans ce cas, sans parler de l’application, il est déjà difficile de se contenter d’effectuer une recherche et une analyse des requêtes.
De nombreux chercheurs pensent qu'un seul point ou un cluster ne peut pas résoudre ce problème, ils utilisent donc deux clusters ou même une douzaine de clusters pour résoudre ce problème. En fait, il est difficile d’effectuer un clustering de tas dans le graphe de connaissances. La raison principale est que lorsqu’un si grand nombre d’entités et de nœuds sont associés, il est difficile de séparer les données.
L'IA donne du pouvoir à l'industrie, qui donne du pouvoir à l'IA ?
À l'origine, je voulais utiliser l'IA pour responsabiliser les industries, mais de l'intelligence informatique à l'intelligence perceptuelle et cognitive, l'IA a désormais également besoin de quelqu'un pour la responsabiliser. Ce qu'il faut faire?
Ma Guoning estime que le chemin est de se tenir sur les épaules de géants.
Königsberg sur la photo ci-dessus est une petite ville, mais elle est très connue dans la communauté des mathématiques ou de la théorie des graphes, principalement en raison d'un très Le grand mathématicien Euler a résolu le problème des sept ponts de Königsberg en 1736 et a créé une nouvelle branche des mathématiques, la théorie des graphes. Lorsque les graphes de connaissances sont utilisés dans des clusters ou des environnements distribués, ces problèmes doivent être résolus sur la base de la théorie mathématique.
Par conséquent, lorsque les problèmes informatiques sont résolus dans une certaine mesure, ils seront réduits à des problèmes mathématiques. Lorsqu'il s'agit de graphes de connaissances à grande échelle, il est nécessaire de diviser le graphe de connaissances et de réutiliser la puissance de calcul pour. résoudre des problèmes distribués. Alors, dans le processus de partitionnement, comment minimiser la corrélation entre les graphes de connaissances partitionnés ? À cette fin, nous devons utiliser des algorithmes établis ou de pointe dans l’industrie pour satisfaire au partitionnement des graphiques tout en répondant aux exigences d’échelle et de distribution des données.
Cependant, les algorithmes actuellement implémentés ou enregistrés publiquement ne peuvent pas résoudre complètement tous les problèmes. L'un est un problème de clustering et l'autre est un problème distribué. Car il est difficile de satisfaire simultanément les problématiques d’équilibrage de charge et de coût de communication entre chaque machine tout en minimisant le nombre d’arêtes ou de sommets coupants.
Comment résoudre ces problèmes ? Notre approche consiste à réduire la complexité à une constante dans l’exponentielle pour des graphiques simples sans poids. Sur les graphiques pondérés, réduire l’un des indices à une complexité constante est un résultat de recherche relativement avant-gardiste. Dans le domaine des hypergraphes, le problème de découpe des hypergraphes doit en fin de compte être considéré comme un cas particulier de la partie k de la sous-brane. Lorsque la valeur K est déterminée, il n'y a aucun problème à la résoudre.
Par exemple, pour un graphique simple, il y a trois lignes de découpe. Dans la pratique réelle, cela peut être simplement compris comme divisant l'ensemble du graphique de connaissances en trois groupes. Parmi eux, le nœud de connaissances S2 est coupé indépendamment, et S2 de l'autre côté est une coupe indépendante minimale. Il s'agit d'une description visuelle simple que nous utilisons pour permettre à chacun de comprendre pourquoi ce graphique est séparé.
En termes d'effets, comme l'algorithme METIS, il est plus équilibré en termes de minimisation du nombre de sommets à travers les partitions et du temps d'exploration de connaissances ultérieure comme l'algorithme Hash ou l'algorithme JA-BE-JA ; mieux performer d'une part Ce n'est pas satisfaisant, mais les performances de l'algorithme METIS sont relativement équilibrées.
Graphique de connaissances et autonomisation de toutes les industries
Basé sur la recherche technologique et industrielle, Taifan Technology a construit une plate-forme de graphique de connaissances. La couche supérieure est un système de services d'application, comprenant la récupération, la requête de connaissances visuelles et les questions et réponses intelligentes. . La couche inférieure intègre les connaissances. Les « organes vitaux » de la carte sont construits. En fait, les graphiques étaient à l’origine un problème sémantique et ont été développés sur la base du Web sémantique. La gestion de la base de données sémantique, y compris comment mettre à jour les connaissances, le degré de granularité de la mise à jour, le nombre d'entités à couvrir dans les domaines connexes, le nombre de relations de cartographie à couvrir, etc., Taifan Technology la mettra dans le cadre global. Il s’agit donc d’une plate-forme-cadre très polyvalente qui peut être utilisée dans tous les domaines.
De plus, l'ensemble du framework intègre également les fonctions nécessaires aux applications pratiques, telles que la réalisation de la gestion de l'ensemble du cycle de vie de la base de connaissances, y compris la recommandation intelligente, la récupération et l'évolutivité. Celles-ci sont toutes mises en œuvre dans l'industrie. . les questions qui doivent être prises en compte dans la pratique. De plus, de nombreuses explorations et explorations de relations peuvent être résolues en s’appuyant sur l’exploration de connaissances.
Dans la période suivante, Ma Guoning a présenté en détail l'application pratique de Zhimapu dans diverses industries à travers des cas de scénario tels que les parcs intelligents, les bâtiments intelligents, les transports intelligents, l'aviation intelligente et l'analyse intelligente des données scientifiques.
"La mer étoilée de l'innovation technologique et les possibilités infinies du futur sont encore plus excitantes. J'en suis profondément convaincu." Ma Guoning a déclaré qu'il espère que grâce à ce partage, davantage de collègues ou d'autres personnes en herbe pourront rejoindre les praticiens. cette industrie peut être plus confiante dans l’application de la technologie de l’intelligence artificielle pour responsabiliser des milliers d’industries.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!