Чому консалтингові фірми повинні використовувати граф знань

Консалтингові фірми роблять все можливе, щоб допомогти клієнтам орієнтуватися в еру штучного інтелекту (ШІ). Аби залишатися попереду конкурентів і забезпечувати успіх своїх клієнтів, їм слід заохочувати компанії до створення графа знань і поліпшенню управління даними, — вважає Андреас Блюмауер (Andreas Blumauer), CEO і засновник компанії PoolParty Software Ltd, що допомагає організаціям пов’язувати пули даних і витягувати з них знання.

Проблема великих даних

Великі дані (big data) мають три характеристики: різноманітність (variety), обсяг (volume) і швидкість (velocity). Відомі як «три V великих даних», вони описують, як дані часто існують у різних типах, на додаток до того, що вони дуже швидко створюються і нагромаджуються у великих обсягах.

Значна частина ділової інформації також зберігається у вигляді «неструктурованих даних» — галузевому жаргоні для тексту. Однак людська мова часто є заскладною для машинного розуміння. Існують методи, які намагаються вирішити цю проблему, але більшість із них не можуть повністю зрозуміти сенс і правильно інтерпретувати нюанси мови.

Консалтингові фірми намагаються допомогти своїм клієнтам отримати користь із великих даних. Однак їм складно виконувати таку роботу через надмірну залежність від алгоритмів машинного навчання. Багато в чому це пов’язано з неправильним управлінням даними своїх клієнтів.

Боротьба за поліпшення якості даних

Низька якість даних не дозволяє компаніям отримувати своєчасну і точну інформацію, необхідну для прийняття рішень. MIT підказує, що компанії втрачають фактично від 15% до 25% своїх доходів з-за поганої якості даних.

Отже, аналіз і представлення даних складають значну частину сучасних управлінських консультаційних послуг. Консультанти мають виконати досить трудомістку задачу збору і очищення даних із розрізнених частин організацій своїх клієнтів. Тільки тоді вони зможуть обробляти і інтерпретувати їх осмисленим чином. У результаті аналітики data science витрачають більше половини свого часу на збір і обробку даних, перш ніж їх можна буде використовувати.

У спробі поліпшити ситуацію консалтингові фірми ще більше покладаються на технологію, яку вони вже знають: машинне навчання. Вони використовують алгоритми, які допомагають автоматизувати і прискорити деякі процеси очищення даних. Однак це лише короткострокове рішення. Насправді консультанти повинні допомогти клієнтам змінити спосіб обробки даних.

Додавання графа знань у мікс

Граф знань — це представлення знань, що виступає посередником між людьми і машинами. Він зображає світ у спосіб, дуже схожий на людський, пов’язуючи ідеї, концепції і речі.

Маючи в руках такий інструмент, компанії можуть вирішити багато проблем із даними. Вони можуть використовувати його для автоматичної класифікації, зв’язування, перевірки і збагачення всіх своїх даних. Граф знань також можна використовувати для підключення різних наборів даних і файлів, щоб зробити їх доступними, оскільки вони представляли собою тільки якусь окрему базу даних. Це дозволяє компаніям отримувати більше користі з даних.

Фірми, що займаються управлінським консалтингом, можуть зіграти важливу роль у підтримці компаній при побудові графа їх знань. Процес вимагає зусиль і співпраці від різних зацікавлених сторін у компанії — від керівників до фахівців у даній області. Може здатися, що це тривалий і складний процес. Але існують методології, стандарти та інструменти, які можуть істотно його прискорити, наприклад, автоматичне вилучення тисяч концепцій із текстів і баз даних.

Це важливо і для успішної реалізації стратегій ШІ. Граф знань може навіть усунути необхідність у великих обсягах даних для тренування алгоритмів машинного навчання (так звана «проблема холодного запуску»). Коли дані класифіковані і пов’язані, алгоритми вимагають менше даних для отримання релевантних результатів, тому що вони можуть аналізувати не тільки самі дані, але і їх контекст.

Інша перевага ШІ-рішень, побудованих із використанням графа знань, полягає в тому, що вони можуть використовуватися багаторазово. Як тільки знання на місці, вони більше не залежать від існуючих баз даних і стають самостійним активом знань. Це дозволяє графу знань охоплювати багато областей, в яких працює компанія, для багаторазового використання.

Графи знань також роблять алгоритми машинного навчання більш зрозумілими. Відображення взаємозв’язків між даними полегшує людям розуміння того, як алгоритми досягають конкретних результатів. А особи, які приймають рішення, спроможні це оцінити і довіритися виконанню своїх ШІ-додатків.

Як допомогти клієнтам почати роботу з графами знань

Найкращий спосіб наблизитися до повноцінного використання графів знань — почати з малого і рости. Допоможіть своїм клієнтам вибрати конкретний варіант використання, котрий може швидко показати цінність, яку граф знань може принести їх організації. Подивіться на їхні стратегічні цілі, виберіть варіант використання, який має чітко визначену цінність для бізнесу і який робить процес або послугу більш ефективнною та інтелектуальною. Як тільки ви допомогли реалізувати один варіант використання, переходьте до інших, поки організація повністю не прийме графи знань.

Хороші варіанти використання для початку включають поліпшення можливостей пошуку, розробку більш досконалих систем рекомендацій або автоматизацію класифікації документів. Всі вони — зрілі плоди реалізації графа знань. Як тільки вони будуть створені, ви можете заохочувати своїх клієнтів створювати свої власні додатки для штучного інтелекту, такі як чат-боти — віртуальні помічники, які витягують інформацію з великої кількості неструктурованих текстових документів.

Поєднання графів знань і машинного навчання революціонізує аналітику даних. Цей підхід має безліч застосувань — від людських ресурсів до фінансів. Компанії, які візьмуть його на озброєння, будуть отримувати більше користі з даних і розширювати свої інноваційні можливості. Він стане стандартом у кожній галузі, і фірми управлінського консалтингу, щоб залишатися актуальними, мають прийняти його якомога швидше.

За матеріалами "Why Consulting Firms Should Embrace The Knowledge Graph", Forbes.

Ілюстрація: Seer