Le graphe de connaissances peut fournir un contexte aux applications d'IA d'entreprise en connectant les données aux relations commerciales nécessaires pour prendre en charge les décisions.
Les graphes de connaissances peuvent connecter les données de l'entreprise avec le sens dont les applications d'IA ont besoin. De nombreuses personnes utilisent des graphiques depuis des années, presque tous les jours, sans le savoir, selon James Kaplan (photo), associé distingué chez McKinsey & Company.
« Si vous utilisez LinkedIn, si vous utilisez Wikipédia, si vous utilisez un média social, c'est un graphique », a-t-il déclaré. » De nombreuses sociétés de médias sociaux sont parvenues à cela et à la puissance de cette technologie avant l'entreprise. C'est beaucoup plus intuitif qu'une base de données relationnelle. Nous sommes tous habitués aux bases de données relationnelles massives, qui sont formidables si vous traitez des données transactionnelles, et sont beaucoup moins efficaces pour les données ambiguës ou compliquées. Il est incroyablement perspicace de décrire un client, un produit, un processus ou une étape du processus dans le contexte de sa relation avec d'autres choses. «
Kaplan s'est entretenu avec John Furrier de CUBE Research pour la série d'interviews CUBE + NYSE Wired : AI Luminaries sur theCUBE, le studio de diffusion en direct de SiliconANGLE Media. Ils ont discuté de la manière dont les graphes de connaissances peuvent fournir un contexte aux applications d'IA d'entreprise. (* Divulgation ci-dessous.)
Gérer les données via le knowledge graph
Selon Kaplan, l'IA peut aider à transformer des informations non structurées en données structurées et en règles métier pouvant être stockées dans un graphe de connaissances. Auparavant, l’évaluation de ces informations nécessitait un travail long, coûteux et souvent imparfait de la part des analystes commerciaux ou des data scientists.
« Aujourd'hui, pour la première fois, nous avons la possibilité d'interroger des processus complexes et de créer des règles métier déterministes par programmation », a-t-il déclaré. « Nous avons la capacité d'interroger des données désordonnées, non corrélées et non structurées et de les transformer en données structurées, souvent en les stockant dans un graphique. Cela ouvre de toutes nouvelles frontières. »
Selon Kaplan, les priorités commerciales peuvent guider les organisations dans les domaines où elles appliquent les améliorations de l'IA. L’expérience client, par exemple, peut primer sur la productivité.
« Et si j'orientais ces améliorations de l'IA vers l'expérience client plutôt que vers la productivité ? » dit-il. « Plus les interconnexions entre les nœuds sont riches, plus vous avez d'intelligence dans le graphique et plus vous pouvez déterminer de choses. »
McKinsey utilise l'IA et les graphes de connaissances via EcliptOS, un système d'exploitation d'IA conçu pour connecter la stratégie C-suite à l'exécution quotidienne via des flux de travail agents. Le système utilise une couche de données sémantiques qui organise les données et leurs relations pour prendre en charge les applications d'IA générative, selon McKinsey.
« En fait, nous avons créé un graphique de bases de données », a-t-il déclaré. « L'un des avantages des graphiques est qu'ils ont des schémas de données plus flexibles. Il est plus facile de créer un graphique virtuel qui connecte de nombreuses bases de données. Et cela est pour moi incroyablement puissant. »
Voici l'interview vidéo complète, qui fait partie de la couverture par SiliconANGLE et theCUBE de la série d'interviews CUBE + NYSE Wired: AI Luminaries :
(* Divulgation : TheCUBE est un partenaire média payant pour la série d'interviews CUBE + NYSE Wired : AI Luminaries. Ni Neo4j, le sponsor de la couverture de l'événement theCUBE, ni les autres sponsors n'ont de contrôle éditorial sur le contenu de theCUBE ou SiliconANGLE.)
