尽管人工智能在过去几年取得了长足的进步，但由于开发人员的过度承诺和最终用户不切实际的期望，你们中的许多人都记得1990年代的AI寒冬。现在业内人士（例如Facebook的AI负责人JeromePesenti）预测，AI将很快再次陷入困境，这一次是因为缺乏语义理解。“深度学习和当前的人工智能技术有很多局限性，”Pesenti说。“我们离实现人类智能还有非常非常远的距离，有些批评实际上是有道理的：人工智能可能会传播人类的偏见，这不容易解释，不容易解释。”常识，更多的是模式匹配，而不是稳健的语义理解。”其他计算机科学家认为，人工智能正面临“可再现性危机”，因为许多复杂的机器学习算法是“黑匣子”，无法轻易复制。麦吉尔计算机科学教授JoellePineau指出复制和解释AI模型的工作原理可以提供AI透明度，有助于未来的技术创新和研究工作，当算法取代人类决策来决定谁被判入狱和谁被批准抵押时，这就变得至关重要。”看看如何避免另一个“人工智能冬天”。从符号AI开始，无法解释和复现AI模型是我们需要克服的一大障碍。我们需要让人工智能既可信又实用。要解决这个问题，我们可以退一步考虑使用符号AI，然后分两步将符号AI（经典知识表示、基于规则的系统、推理、图搜索）与机器学习相结合。通过使用本体和分类法将符号AI含义或语义添加到数据中。基于规则的系统是符号人工智能的主要技术。这些系统严重依赖于这些本体论和分类法，因为它们有助于制定正确的、有意义的、有意义的if/then规则。使用规则和基于规则的系统的好处是可以提供一致且可重复的结果，从而促进可解释的结果。消除数据孤岛为了让AI满足当前的期望，我们还需要消除跨IT系统的查询孤岛，发出更细粒度的聚合查询，自动化模式和数据验证措施以获得准确的分析结果。为机器学习模型聚合各种不同的训练数据集，需要具备跨数据库查询的能力，或者为此快速整合各种来源。语义图形数据库通过基于标准的方法支持统计AI的这一先决条件，其中图形的每个节点和边缘都有一个唯一的、机器可读的全局标识符。因此，组织可以将不同的数据库链接在一起以在它们之间进行查询，同时合并各种常见用例的来源，例如预测个人的下一个健康问题或及时的供应链管理。这种联合查询可确保数据对任何新兴技术保持相关性和前瞻性。在需要AI和分析进行实时决策的时代，组织根本没有时间在孤立的数据库中重建模式和术语。自动验证数据模式的概念本质上与数据验证相关，这对于信任查询结果进行分析至关重要。语义知识图谱通过自然演变的数据模型、自描述模式和按需模式选项（如JSON、JSON-LD和SHACL）标准化所有模式。SHACL等框架对于验证数据至关重要，这是通过确保数据形状一致来自动完成的。现实情况是，如果没有明确的机制，几乎不可能在不编写程序代码的情况下根据数据质量的基本方面来验证数据，这可能非常耗时（取决于任务的大小）。人工智能时代，自动化迫在眉睫。手动生成用于数据验证措施的脚本非常耗时，这个过程与认知计算本身一样可自动化和可重复。词汇归一化有助于聚合查询操作AI所需的查询粒度非常高；然而，知识图谱中的词汇和分类规范化支持顺序查询聚合，这在其他设置中很难复制。一旦组织对不同概念及其含义的词汇表进行了标准化，不仅可以创建各种分类法，还可以通过链接进行查询。例如，在医疗领域，您可以查询所有患有某种疾病的患者、该疾病的具体治疗方法、未来三个月内到期的移植以及为患者开的具体药物。通过查询不同的分类法以获得特定结果，将各种查询聚合成单个查询的能力部分地促进了这种复杂的、特别的查询操作。在不久的将来，跨数据库查询、自动验证数据和汇总查询将变得越来越普遍。人工智能将成为企业的必备品，那些采用语义知识图谱方法的企业将脱颖而出。
