2022年8月6日-7日，AISummit全球人工智能技术大会如期举行。在7日下午举行的《AI赋能产业实践》分论坛上，泰凡科技副总经理马国宁带来了《图绘万象，从柯尼斯堡到百业赋能》的主题分享，详细分享了知识图谱在千行百业的赋能。如果愚公是人工智能，他能移山吗？如果把愚公当成AI，他能移山吗？你是如何移动这座山的？马国宁表示，在人工智能行业，每一个垂直领域都是一座大山。比如在金融、工业、政务等行业，当用算法去解决行业特定的问题时，你会发现它总是和最初的设计和实现不同。主要是我们的算法逻辑可能无法匹配行业逻辑的业务。最初解决这个问题的方法是利用数据智能和计算智能，依靠堆数据量进行训练，但是这种方法在后期也会有一些瓶颈。为此，我们开始使用人脸识别、语音识别等感知智能来解决一些场景中的问题。当感知智能也遇到瓶颈时，最新的方法就是用认知智能算法来解决。那么，认知智能能否模拟人类的思维和认知过程来解决复杂困难的问题呢？在认知智能领域，谷歌很早就尝试使用知识图谱，将所有的知识都放在同一个图谱中，模拟人类的思维和推理推导的过程。不过，既然谷歌提出了这个想法，至少到目前为止，还没有办法完全模拟人类的思维过程。虽然地图的构建过程并不复杂，但是当数据量足够大的时候，就会遇到各种各样的问题。例如，WolframAlpha拥有超过10亿个实体，DBpedia拥有超过30亿个三元组，Google目前拥有超过5亿个实体，以及超过100亿个关系连接。MicrosoftProbase有数千万个概念。在这种情况下，很难只做搜索和查询分析而不谈应用。许多学者认为单点或簇不能解决这个问题，所以他们使用两个簇甚至十几个簇来解决这个问题。事实上，很难在知识图谱中积累聚类。主要原因是当关联了如此大量的实体和节点时，数据很难分离。AI为行业赋能，谁为AI赋能？本来想用AI来赋能行业，但是从计算智能到感知智能、认知智能，现在AI也需要有人来赋能。那我现在该怎么办？马国宁认为，只有站在巨人的肩膀上才是出路。上图中的柯尼斯堡是一个小镇，但是在数学或者图论领域非常有名，主要是因为伟大的数学家欧拉在1736年解决了柯尼斯堡的七桥问题，开创了一个新的数学分支，叫做图理论。知识图谱应用于集群或分布式环境，这些问题需要在数学理论的基础上解决。因此，当计算机问题解决到一定程度时，就会归结为数学问题。在处理大规模知识图谱时，需要对知识图谱进行划分，复用计算能力来解决分布式问题。那么，在划分的过程中，如何最小化划分后的知识图谱之间的相关性呢？为此，我们需要在这方面使用业界成熟或前沿的算法，在满足图划分的同时满足数据规模和分布的要求。然而，目前公开实现或记录的算法并不能完全解决所有问题，一个是聚类问题，另一个是分布式问题。因为在最小化切割边或顶点数量的情况下，很难同时满足各种机器之间的负载均衡和通信成本问题。如何解决这些问题？我们的方法是将没有权重的简单图的复杂性降低到指数范围内的常数。在加权图上，将其中一个指数降低到一个常数复杂度是一个比较前沿的研究成果。在超图领域，超图的切割问题应该看作是子膜k-part的一个特例。K的值确定了，求解就没有问题了。例如，对于一个简单的图，三线的切割在实际实践中可以简单理解为将整个知识图谱分成三个簇。其中，知识节点S2被独立切割，另一边的S2为最小独立切割。这是一个简单的视觉描述，让大家理解为什么这个图是分开的。在效果上，和METIS算法一样，在最小化跨分区的顶点数和后续知识挖掘的时间上更加平衡；像Hash算法，或者JA-BE-JA算法，可能在某一方面表现不好。令人满意，但METIS算法的性能相对平衡。知识图谱与行业赋能泰凡科技基于技术和行业研究，构建了知识图谱平台。上层是应用服务系统，包括检索、知识可视化查询、智能问答等。建设好。其实图本来就是一个语义问题，是在语义网的基础上发展起来的。语义数据库的管理，包括知识如何更新，更新的粒度如何，相关领域覆盖多少实体，覆盖多少映射关系等，都将放在泰凡科技的整体框架中。因此，这是一个非常通用的框架平台，适用于各个行业。此外，整个框架还集成了实际应用中必要的功能，比如实现知识库全生命周期的管理，包括智能推荐、检索、可扩展等，这些都是工业化实践中必须要考虑的。实施问题。另外，很多关系探索和挖掘都可以通过知识挖掘来解决。接下来，马国宁通过智慧园区、智慧楼宇、智慧交通、智慧航空、智慧科学数据分析等场景，详细介绍了智浦地图在各行业的实际应用。“星辰之海、科技创新之海，未来的无限可能，更让人期待。对此我深表赞同。”马国宁表示，希望通过这次分享，让更多的同行或其他有兴趣加入这个行业的从业者，能够更加自信地应用人工智能技术，为千行百业赋能。大会演讲回放和PPT已经上线，精彩内容可进入官网查看。
