A tudásgráfok három fontos funkciót biztosítanak a mesterséges intelligencia (továbbiakban: AI) és a gépi tanulás számára: 1. analitikai képességet; 2. adatintegrációs vagy adatelőkészítési képességet; 3. az előző kettő kölcsönhatását. Ez utóbbi a vállalati AI csúcsa. Így lehet egy új üzleti folyamatot irányítani, pénzt megtakarítani (pl. felmérni, hogy egy hitel kockázatos-e) vagy bármilyen üzleti háttérproblémát kezelni. A tudásgráfok jelentik az egyik legjobb eszközt arra, hogy az emberek kölcsönhatásba lépjenek a mesterséges intelligenciával, javítva mindkettőjük termelékenységét. "Ez az adatok arannyá változtatása: ezek a felismerések" - véli Sean Martin, a Cambridge Semantics technológiai igazgatója. Az általa "aranynak" nevezett tudásgráf típusától függ, hogyan bánnak az adatokkal. Kétféle tudásgráf van:
1. Szemantikus gráfok: logikai következtetéseket képesek levonni mind az analitika, mind az adatelőkészítés során, ezért tudásgráfoknak hívják. Még fontosabb, hogy ezeket az együttműködő-képesség és az adatok egységes szabványok szerinti összekapcsolása érdekében tervezték. A tudásmenedzsment, ill. a tudásgráfok a vállalati tudás összegyűjtésének skálázható eszközei.
2. Címkézett tulajdonsággráfok: a felhasználók olyan fontos tulajdonságokat adhatnak hozzá a gráfhoz az adataikról, mint a metaadatok vagy a származás. E gráfok egyszerűen silóként működnek.
- Tudásgyűjtés: A gépi tanulás és az AI hozzáadásával a szervezetek nagyobb mennyiségű, mélyebb tudást építhetnek be. Az AI-val és a gépi tanulással a megfelelő időben lehet tartalmat (azaz tudást) szolgáltatni.
- Az AI tudásbázisa: alapja a szemantikus gráfoknál fontos taxonómiák. A meglévő tényekre vonatkozó logikai következtetésekből további tényeket lehet létrehozni. Az adatállomány (data fabric) elvét támasztja alá, hogy a taxonómiai megközelítés lehetővé teszi a holisztikus lekérdezéshez a források, üzleti egységek vagy felhasználási esetek együttes kezelését.
Teljes AI: 1. szimbolikus AI (tudásmodellek); 2. statisztikai AI (gépi tanulás). Ezeket egyesítik. 3. "Gráf algoritmusok": statisztikai AI-ra hivatkoznak, pl. klaszterezés, legközelebbi szomszéd, legrövidebb út. A felelős AI az emberi elemet hangsúlyozza. Az AI szimbolikus érvelésének szabályalapú megközelítése: a) biztosítja a szabályokon alapuló érvelés eredményeinek magyarázatát, ami jól nyomon követhető; b) befolyásolja a statisztikai gépi tanulási modellek magyarázhatóságát is. Szinergiák: A tudásgráfok adatelőkészítési funkciói összegyűjtik a vállalati tudást. Összekapcsolják a különböző adattípusokat és előkészítik az adatokat a gépi tanuláshoz. Elemzési képességek: pl. gépi következtetés. (Ref.: Szabó Eszter)