图数据助力精准预测， 引领人工智能实现跨越发展

计算机人工智能的发展已经跨越了若干阶段，从计算智能到感知智能不断演化。如今，我们迎来了难度最大的人工智能阶段——认知智能。

如何利用错综复杂的关联数据，实现理解、推理和可解释的认知智能并帮助企业更加精准地预测，成为企业在数据管理领域面临的挑战。

如今的企业需要将图分析加入现有的分析能力中，图分析技术最重要的贡献在于帮助企业发掘数据中没有被意识到或者认为不存在的隐藏关系和模式。图分析是人工智能和机器学习跨越到新阶段的关键，为机器学习提供高度可信和精准的关系模型和预测。

认知智能阶段，关联以知识图谱的方式呈现，并在知识图谱上运行，获得可解释的结果、数据以及算法，从而进行预测。这就是图数据科学（Graph Data Science）受到极大关注并日渐流行的主要原因之一。

预测关系演化, 解答关键问题

图数据科学在事物关系上进行数据科学类的研究和分析，通过分析关系以及数据关联得到新的答案。图数据科学是让关联的数据“自己说话”。它可以通过运行一种无监督图算法在噪声中发现信号，还可以基于客户图显示其社区如何互动以及对数据分割有用的信息。

图数据科学是关于利用数十亿甚至数万亿数据点之间的关联。用于数据科学的图利用这些关联确定什么是重要和有意义的。

企业可以通过在图上进行监督机器学习来更进一步。通过这种方式，他们可以预测图未来如何变化。图数据科学让企业可以从图结构中学习——不仅仅是相互关联的人，而是整体图，以预测接下来这些关系如何演化。

Neo4j图数据科学是一个图分析和建模平台。它结合了现有数据中关系和网络结构的预测能力，解答之前难以解决的问题并提高预测准确性。使用图算法和机器学习，数据科学家可以识别模式和行为，改进他们的模型，以在引擎推荐、欺诈检测、路线优化和客户360场景中使用，通过改进预测来实现更优决策和创新。

知识图谱提升数据价值

Neo4j图数据科学分为知识图谱、图数据分析、图数据特征工程、图嵌入和图神经元网络五大发展阶段。作为图数据科学的首要阶段，知识图谱把大量现有的关系型以及非结构化数据以图的方式进行存储、转化和处理。

语义是知识图谱的关键组成部分和优势之一。每个语义都有自己的特定含义，这使得每个知识图谱也具备独一无二的特性。语义与图数据同步编码，这就是知识图如何将智能引入数据并显著提高其价值的方式。知识图谱建立后，图数据科学项目就要判断其中的对象试图解决何种问题，他们想问什么问题，以及他们如何将其所知转化为准确的预测。

助力更优决策的实施

数字化社会中很多企业拥有数十亿的节点和边的数据。借助图数据科学，医疗企业可以让在药品研发中收集的百亿条数据发挥最大价值，挖掘药品和基因之间的关联，根据病患经历找到相似案例、病患集群并决定最佳的介入时机和方式；在线内容推送服务商能够识别匿名用户的喜好倾向并做出精准实时推送，大大增加用户粘性；金融企业可以更好地应对欺诈检测挑战，在巨量数据库中实时发现欺诈案例。

以一家大型全球制药公司为例。该公司建立了电子病历，为每个患者提供相应的数据，这是他们在医疗保健过程所执行的步骤。客户感兴趣的是获取数据并从信息中学习：谁像是某些干预措施的受益者？谁是这种药物的获益者？将来谁会从这种药物受益？然后他们知道将成为药物受益者的图模式是什么样的。他们还可以找到具有相似特征的患者，并进行早期干预以改善患者的疗效。

（本文整理自Neo4j的投稿文章）

来源：荣格-《智能制造纵横》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。