Введение
Действительно ли график корпоративных знаний представляет все знания в вашей организации? Нет, пока нет.
С появлением и повсеместным распространением сетей знаний среди крупных предприятий знания экспертного уровня стали критически важными для успешного развертывания любого приложения на базе искусственного интеллекта. Это требование сделало разработку онтологий стержневой для всех решений, основанных на обучении, которые обязательно должны захватывать и использовать знания, которыми обладают эксперты в предметной области (SME). Если понять истинный масштаб этого кардинального изменения, то применяемые в настоящее время ручные процессы разработки онтологий никогда не смогут успешно бороться с огромной и постоянно расширяющейся вселенной данных.
Онтология для создания базы знаний в масштабе предприятия
Онтология - это набор понятий и категорий в предметной области или предметной области, обладающий свойствами и отношениями между ними. Если бы мы должны были создать набор концепций, как это определено, скажем, для небольшого продуктового магазина, мы бы включили такие концепции, как: имя поставщика, товар, категория, имя клиента, данные о продажах POS и т. Д. Мы также представим более подробные концепции в том числе; яблоки, салат, говяжий фарш, бумажные тарелки, хлопья, хлеб и т. д. от их соответствующих поставщиков и торговых марок. На основе покупок бакалейщика, связей с его поставщиками, предпочтений его клиентов, взаимосвязи между продажами и днями недели, связей между товарами, приобретенными отдельными клиентами, и других данных, мы могли бы начать построение онтологии для нашего бакалейщика. Становится совершенно очевидным, даже в таком небольшом масштабе, что создание действительно всеобъемлющих онтологий вручную является титанической задачей.
Довольно оптимистично думать, что онтологии могут быть созданы даже для малых или средних финансовых организаций без автоматизации. Для крупных банков это просто невозможно в разумных пределах по времени / стоимости. Более того, если мы представим себе, что такая онтология, построенная вручную, может быть создана, у нее будет фатальный недостаток; он был бы статичным и не мог масштабироваться.
В отличие от ручной обработки информации, динамически генерируемая онтология приносит желаемый масштаб и актуальность для обучающих приложений, где автоматизированный и самообучающийся процесс деления постоянно устраняет неоднозначность поступающих знаний в формальную онтологию и обеспечивает оптимальный вывод (решения). Эта онтология будет и дальше основываться на новых концепциях, атрибутах, иерархиях и правилах поведенческих отношений.
Упомянутый ниже процесс создания онтологии следует трем ключевым принципам:
1. Не существует такого понятия, как «адекватные знания», поскольку с каждым тиканием часов можно найти больше, даже в самых скромных и неформальных форматах (внутренние / внешние документы).
2. Процессы обнаружения и устранения неоднозначности знаний не должны иметь структурных предубеждений и не зависеть от формата.
3. Онтология должна иметь несколько уровней, каждый из которых формирует симметричные отношения между элементами знаний.
Ответ на масштаб и актуальность? Автоматизированная онтология
Структуры статических онтологий являются препятствием при попытке запустить новые продукты или соответствовать новым правилам со скоростью сегодняшнего бизнеса. Однако создание самогенерирующейся онтологии поднимает процесс открытия знаний на беспрецедентно новый уровень. Почему?
Автоматизированная онтология:
1. Позволяет создавать непрерывно развивающуюся корпоративную сеть знаний, включающую все логические концепции.
2. Повышает точность алгоритмов машинного обучения и искусственного интеллекта, предоставляя динамическую базу знаний, которая намного превосходит статические структуры.
3. Помогает в оценке общих знаний наряду со знаниями, полученными из корпусов учреждения, тем самым обогащая конкретные данные учреждения определениями и их зависимостями.
4. Связывает бизнес-концепции, полученные из графа знаний, с физическими данными для решения различных задач, связанных с объединением сущностей.
Теперь, когда мы построили нашу полную и постоянно совершенствующуюся онтологию, что с ней можно сделать?
Применение онтологии для решения реальных жизненных проблем
Существует множество приложений и запросов, которые могут быть построены с использованием онтологии. Учти это; группе риска или моделированию банка поручено определить процесс, необходимый для оценки ожидаемых убытков для клиента. В рамках этого процесса разработчику моделей требуются конкретные данные для оценки вероятности дефолта (PD), убытков при дефолте (LGD) и риска убытков при дефолте (EAD). На основе подхода, описанного в предыдущем разделе, онтология создается на основе внутренних документов модели оценки кредитного риска и других нормативных документов, которые определяют руководящие принципы для оценки кредитных убытков. Теперь разработчик моделей может получить действенный вывод из автоматически созданной онтологии, которая обладает знаниями, относящимися к различным концепциям, элементам данных и компонентам, участвующим в оценке кредитных убытков, наряду с семантической кластеризацией и классификацией этих сущностей.
Заключение
В этой статье мы стремимся предоставить читателю краткое введение в автоматизированную онтологию и то, как она решает проблему масштабирования предприятия и как она применима в основных бизнес-сценариях использования. Несмотря на то, что невозможно полностью описать каждый из различных методов и алгоритмов, он должен дать первоначальный обзор нашего прогресса в области автоматического создания онтологий.
О нас
Parabole - это компания, занимающаяся когнитивной аналитикой в Принстоне, штат Нью-Джерси, которая автоматизирует создание корпоративных знаний из неструктурированных источников информации. Мы предоставляем нашим клиентам платформу для решения проблем, связанных с рисками, финансами и соблюдением нормативных требований, которые зависят от обмена знаниями и данными. Мы достигаем этого, предоставляя ряд специализированных приложений в областях рисков, финансов, соблюдения нормативных требований и управления данными.
Предоставлено: Энтони Дж. Саркис и Сай Анвеш Дурвасула
Чтобы узнать больше, посетите www.parabole.ai ИЛИ напишите [email protected]
