关于我们MORE

关于我们

深圳鑫点环保科技有限公司是一家节能机电系统解决方案提供商。长期致力于低能耗的工业园及节能商业综合体的规划设计和能源管理投资服务;一直专注 ...

特别关注

中国认知智能行业报告:知识图谱有16亿实体数据比较全(可下载)

关键词:中国认知智能行业报告:知识图谱有16亿实体数据

日期:2020-05-17文章来源:互联网
我要分享

获取《中国认知智能行业报告》完整版,请关注绿信公号:vrsina,后台回复“综合报告4”,该报告编号为20bg0075。

人类基于视觉、触觉、听觉等具备对环境的感知,基于知识库和逻辑理解形成对世界的认知,并在此基础上展开相应的行动。人工智能对人的模拟也分为感知智能、认知智能 、以及行动智能三个层面,也是人工智能行业发展的三个阶段 。

人工智能对人智能模拟的实现,建立在数据、知识及其算法之上,因此数据是人工智能领域最重要的生产资料。从感知、认知到行动的三大发展阶段,也代表了数据处理的流程和深度。

认知智能则需要在数据结构化处理的基础上,理解数据之间的关系和逻辑,并在理解的基础上进行分析和决策,即认知智能包括理解、分析、决策三个环节。

行动智能是在认知智能基础之上的执行,主要是人机协同。人机协同是在复杂的环境下,以知识(比如知识图谱)为支撑,进行数据推理,合理调度资源,使人类智能、人工智能和组织智能有效结合,打通感知、认知和行动的智能系统。

比如在公安场景下,知识图谱有16亿实体,数据比较全,是人工智能展现能力的绝佳场景。在做人物关系的二度或三度搜索时,其搜索复杂度与数据量是指数级关系,如果单纯靠机器来做,5个礼拜或者5个小时以后,才能做出空间的全景搜索,耗时相当长;如果人机协同,结合人类经验和洞察,看到哪一个点有线索就瞄准这一个方向调查,判断可能存在线索和可疑之处,进行深入探查,就能快速得出结论,高效解决问题。

不管是从感知智能技术发展,还是行业应用普及来看,人工智能的第一阶段——感知智能已经到了行业发展成熟期。

斯坦福百年研究(AI 100)发布的全球“2018年人工智能指数”(AI Index)报告指出,计算机视觉领域的人工智能性能正在不断提升。

感知智能的发展主要得益于计算机视觉和智能语音技术的渗透,以及硬件的进步,当前,感知智能应用已经在各行各业开始普及,实现多场景落地。

在各个场景应用中,智能安防是感知智能最大的场景应用,诞生了商汤、旷世、依图、云从等独角兽级别企业,此外,华为、海康威视等企业也在智能安防领域布局。

感知智能进入行业成熟期的另一个重要标志是,已经开始在工业、农业等传统领域渗透。

浙江正泰新能源是国内规模最大的民营光伏发电企业,企业在生产电池片过程中都是通过肉眼做产品质检,成本高、效率低。有了以计算机视觉为主的感知智能渗透,质检检出率和效率得以双双提升。

通过阿里云AI图像技术,企业可以通过深度学习与图像处理技术进行自动产品缺陷判定,令碎片率(瑕疵品)下降50%。而且,从图像拍摄到数据接收、处理,到数据上传MES系统做缺陷判定,再到MES系统下达指令给机械手臂抓取缺陷产品,整个过程无需人工干预,且耗时不到一秒,仅为原先的一半。

认知智能是感知智能的进阶,需要在感知智能的基础上,结合行业知识,理解数据之间的逻辑关系以及代表的业务意义,并在此基础上进行分析和决策。

在认知智能阶段,机器能够通过知识图谱挖掘隐性关系,洞察“肉眼”无法发现的关系和逻辑,用于最终的业务决策,注重行业知识图谱和关系挖掘,是AI在行业中更深层次的落地应用。

连接环节完成业务数字化、以及数据结构化,即基于业务需要,将业务流程全部在线化、数字化,并加入行业知识和场景知识,完成实体、属性、以及实体之间的关系梳理,将不同数据进行分类、统一和结构化,构建知识库。

比如,在公安领域,连接打通跨警钟数据,可以建立基于知识图谱的一体化指挥作战平台,提升预警研判的准确度以及犯罪嫌疑人抓捕等行动效率。

其中,真正的“数据打通”并不是简单的系统连接和数据对接、查询等简单应用,而是实现“数据为元、全息获取”的公安大数据库,建立“人、事、地、物、组织”等动态信息数字化,并分别对应到受害人、犯罪嫌疑人、作案工具、作案规模等维度,确定数据属性及其相互之间的基础关系,构建公安数据知识库,实现业务数字化、数据结构化。

分析环节主要是根据提供的数据,基于行业知识图谱寻找到合适的结果,发现各种潜在的、隐性关系。

明略科技基于某全国股份制银行全行近十年全量数据构建成“企业、个人、机构、账户、交易以及行为数据”规模达十亿点百亿边的知识图谱数据库。通过采用复杂网络、图计算等知识图谱技术,实现海量数据和非结构化数据的分析和探索,加强对业务开展过程中的远程风险管控能力,深入挖掘只靠人力所不能发现的问题,加强业务过程中的操作风险、员工道德风险管理,提升银行整体风控能力和风控效率。

比如,基于生成的客户关系网络图谱,可完整展现对公客户“个人-企业-个人”的复杂关系,构建复杂的资金流转全貌,通过图挖掘技术,挖掘复杂的隐形关系和利益共同体,实现无死角的资金监控管理。

决策环节,主要是基于沉淀的行业Know-how和业务经验,形成解决方案,从而为客户解决具体问题提供辅助建议以及依据。

比如,AI辅助诊断一般的模式为“理解病症—评定医学证据—选择治疗方案”三个步骤,分别对应认知智能连接、分析、决策三个环节。医学知识图谱是AI辅助诊断的基础支撑。

第一步,病症的获取包括患者自 述、医生检查、化验结果分析等,系统会提取其中关键的特征并结合患者的历史健康信息,通过NLP读取病历。

第二步,AI基于已有医学知识图谱分析患者病情,除了对病历上已有症状的分析,也注重可能的并发症等隐性关系的排查。要求患者或医生提供某方面的病症补充,或提示需做的检查、鉴别要点。

第三步,AI 结合从文献、诊疗标准、临床指南和临床经验等数据积累中学习的知识,通过知识图谱和推理假设将获取的病症信息联系起来,形成可能的结论、置信度及证据,并生成诊断结论和治疗方案建议。

作为感知智能的进阶版,伴随认知智能而来的,是更高的技术要求、更广阔的市场前景、以及更高的行业进入壁垒。

这对提供认知智能解决方案的厂商提出了两个方面的要求。一是深耕细作,注重行业知识图谱的打磨和积累;二是将垂直行业业务经验,沉淀到平台,并转化为知识,服务于业务决策。

当前,随着人工智能在安防、智能音箱等领域的大规模应用落地,整个人工智能行业已经走过感知智能阶段,进入认知智能时代。

体现在两个方面,一是人工智能行业的基础设施——数据的标准化,已经趋于成熟;二是行业实际需求的牵引,行业亟需机器基于行业Know-how、业务经验沉淀提供决策支持类应用。

以认知智能渗透较为领先的金融行业为例,当前金融行业面临运营成本高,客户服务压力大;产品服务单一,无法很好的覆盖长尾客户;交易欺诈风险高等实际业务问题,这些都无法通过感知智能技术解决,而知识图谱驱动的认知智能则能提供相应的解决方案。