AI和机器学习

TigerGraph 赋能人工智能和机器学习

576
$
亿美元
2021 年人工智能和机器学习支出
75
%
3 年内人工智能部署
2.9
$
万亿美元
人 工智能商业估值
商业挑战
传统解决方案
特征工程
可解释的人工智能
商业挑战
人工智能 (AI) 和机器学习 (ML) 正在从前沿技术转变为每家组织的期望能力。到 2021 年,预计企业在 人工智能和机器学习上投入 将达到576 亿美元,并将获得 2.9 万亿美元的业务价值。人工智能不仅是热门应用(如无人驾驶汽车和 Siri、Alexa 等虚拟个人助理)背后的支持技术,还能提高通用任务(如在线聊天和客户支持、产品推荐、设计支持及欺诈检测)的性能并节省成本。 企业已经不再是决定是否使用机器学习,而是思考应在哪里使用、如何充分使用。
传统解决方案无法达成目标
机器学习使用分析和统计技术来揭示数据模式并得出结论,而识别模式是智能的基础。其中有两个限制:您的数据质量?您的分析模型质量?

如果没有模式或模式很弱,则无法检测到数据模式。请记住大数据的 3V 定义:数量 (Volume)、多样化 (Variety) 和速度(Velocity)。要成功识别模式,数据必须包括数百万记录、涵盖各种用例并尽可能从多个源提取。在越来越数字化的当今世界,获取原始数据并不困难。

然而仍存在一些挑战。特征选择:数据是否正确?数据集成:如何将多个源的数据共同放入一个统一的数据模型?分析性能:对于海量数据,能否承担计算工作?

传统解决方案缺乏与结果高度关联的各种特征,并且训练数据量很低,因此常常失败,导致机器学习解决方案的准确性不高。
为什么选择原生并行图数据库 TigerGraph 来增强人工智能和机器学习?
特征工程之实时深度关联分析
图数据库对许多机器学习数据挑战提供解决方案。图构建于连接和遍历链接的理念之上,因此是机器学习数据集成的自然、高性能选择。在传统的表数据中,每一列为机器学习系统可以使用的一个“特征”。

在图中,每种连接类型为一个额外特征。此外,较小的图模式(如因果链、循环和分支)本身可被视为特征。TigerGraph 的原生并行图架构可进行深度关联分析,因此,在计算新的基于图的特征时,它能在不足一秒的时间内处理具有数 TB 数据的数据集并遍历数百万个连接。欺诈者每年骗取数十亿美元的资金。反欺诈检测和预防系统的措施不在于它能否发现欺诈,而在于它能发现多少欺诈。

中国移动使用 TigerGraph 实时检查每日数以亿计的呼叫,确定是否有呼叫来自于骚扰电话者或电话欺诈者。中国移动对其数以亿计的用户电话收集 118 个图特征供其机器学习欺诈检测引擎使用,构建检测模型,然后再次对每个电话的每次呼叫实时提取 118 个特征。这将生成具有数十亿新特征的训练数据集,从而提高欺诈检测的准确性。
可解释的人工智能
要在政府以及银行、保险和电信公司等企业中普及人工智能,最大障碍之一就是缺乏透明性,他们不了解人工智能系统如何得出特定结论。想一想福利申领被拒绝的情况,人工智能解决方案根据福利受领人先前申领的历史记录,计算出潜在欺诈的可能性极大。

福利受领人应当知道他/她的申领为何被拒,政府组织需要确保这并非由于对特定种族、宗教、性别或文化的歧视所致。考虑另一个示例,人工智能系统计算后建议提高申请人的贷款利率或者投保人的保费。同样,银行或保险公司需要解释为何提高贷款利率或增加保费,这非常重要,在他们面临与种族、民族、文化或性别歧视相关的诉讼时尤其如此。基于图的特征能够明确表明人工智能/机器学习解决方案如何基于计算特征值的组合得出了特定决策。

TigerGraph 还提供功能强大的图形用户界面 GraphStudio,它能够提供可视化界面,进而探索和分析各种关联关系,以表明特征是如何计算的:特定福利申领因何被拒,或为何提高申请人的贷款利率或投保人的保费。TigerGraph 的原生并行图架构能够通过实时可视化、探索和分析互联数据,确保可解释的人工智能普及到企业内的所有用户,以及福利受领人、抵押贷款申请人和保险投保人等外部各方。