डेटा के साथ कुशलतापूर्वक, प्रभावशाली ढंग से काम करने के लिए नॉलेज ग्राफ़ क्यों महत्वपूर्ण हैं

एआई अपनाने की अवस्था में आपका उद्यम कहां खड़ा है? हमारा ले एआई सर्वेक्षण पता लगाने के लिए।


यह पोस्ट पर्सिस्टेंट सिस्टम्स के वरिष्ठ डोमेन विशेषज्ञ डॉ मुक्ता पालीवाल की है।

मार्केट रिसर्च फर्म ने अपने में कहा कि आर्टिफिशियल इंटेलिजेंस के विषय पर गार्टनर क्लाइंट पूछताछ के 50% में ग्राफ तकनीक के उपयोग से जुड़ी चर्चा शामिल है। 2021 के लिए शीर्ष 10 डेटा और विश्लेषिकी रुझान. हर बड़ा उद्यम बड़े पैमाने पर व्यापार करने के लिए अधिक अंतर्दृष्टि लाने के लिए उपलब्ध डेटा का फायदा उठाना चाहता है। इसे प्राप्त करने के लिए, जुड़ा हुआ डेटा एक तार्किक आवश्यकता बन गया है, क्योंकि यह ज्ञान बनाने के लिए मौजूदा संगठनात्मक डेटा के भीतर संदर्भ लाने में मदद करता है।

व्यवसायों को लगातार विकसित हो रही डेटा जरूरतों की गति का सामना करना पड़ता है। ज्ञान के रेखांकन कंपनियों को पारंपरिक डेटाबेस से दूर जाने में मदद कर सकता है और डेटा का बेहतर लाभ उठाने के लिए प्राकृतिक भाषा प्रसंस्करण, मशीन सीखने और शब्दार्थ की शक्ति का उपयोग कर सकता है।

एक ज्ञान ग्राफ क्या है?

ज्ञान के रेखांकन एक डोमेन के बारे में परस्पर जुड़े तथ्यों के संग्रह का प्रतिनिधित्व करते हैं। अनिवार्य रूप से, संस्थाओं और संबंधों को असंरचित डेटा से निकाला जाता है और ट्रिपल: विषय-विधेय-वस्तु के रूप में संग्रहीत किया जाता है। उदाहरण के लिए, कथन “कैप्टन मार्वल सबसे मजबूत बदला लेने वाला है” को एक विषय (कैप्टन मार्वल), एक विधेय (सबसे मजबूत) और एक वस्तु (बदला लेने वाला) में तोड़ा जा सकता है और ट्रिपल के रूप में संग्रहीत किया जा सकता है (कैप्टन मार्वल-सबसे मजबूत- एवेंजर) अन्य संबंधित संस्थाओं के साथ एवेंजर्स के ज्ञान ग्राफ में, लोकप्रिय मार्वल फिल्म के पात्र।

अनिवार्य रूप से, हम इन विशेषताओं के साथ ज्ञान ग्राफ़ को परिभाषित कर सकते हैं: 1) वे एक डोमेन की वास्तविक दुनिया की संस्थाओं को परिभाषित करते हैं; (२) वे उनके बीच संबंध प्रदान करते हैं; (३) वे कुछ स्कीमा के माध्यम से संस्थाओं और संबंधों के संभावित वर्गों के लिए नियमों को परिभाषित करते हैं; (४) वे नए ज्ञान का अनुमान लगाने के लिए तर्क को सक्षम करते हैं।

ज्ञान रेखांकन स्वतः उत्पन्न या मानव-क्यूरेटेड हो सकते हैं, कठोर ऑन्कोलॉजी के साथ डिजाइन किए गए हो सकते हैं या समय के साथ विकसित हो सकते हैं, विभिन्न आकारों और आकारों में हो सकते हैं, और किसी कंपनी या ओपन-सोर्स समुदाय द्वारा विकसित किए जा सकते हैं। . इन अंतरों के बावजूद, वे असंरचित डेटा को इस तरह व्यवस्थित करने में मदद करते हैं कि जानकारी आसानी से निकाली जा सकती है जहां कई संस्थाओं के बीच स्पष्ट संबंध प्रक्रिया में मदद करते हैं।

ज्ञान रेखांकन का उपयोग क्यों करें?

ज्ञान ग्राफ स्व-वर्णनात्मक है, क्योंकि यह डेटा खोजने और यह समझने के लिए एक ही स्थान प्रदान करता है कि यह क्या है। चूंकि डेटा का अर्थ ग्राफ़ में डेटा के साथ ही एन्कोड किया गया है, शब्दार्थ शब्द ज्ञान ग्राफ से जुड़ा है। ज्ञान रेखांकन प्रदान करके अतिरिक्त मूल्य लाते हैं:

  • प्रसंग: नॉलेज ग्राफ़ चलते-फिरते नए व्युत्पन्न ज्ञान को जोड़ने के लिए विभिन्न प्रकार की सूचनाओं को एक ऑन्कोलॉजी और लचीलेपन में एकीकृत करके एल्गोरिदम को संदर्भ प्रदान करते हैं। अधिकांश पारंपरिक ज्ञान ग्राफ एक साथ विभिन्न प्रकार के कच्चे डेटा का उपयोग कर सकते हैं।
  • दक्षता: एक बार वांछित संस्थाएं और संबंध उपलब्ध हो जाने पर, ज्ञान ग्राफ संग्रहीत डेटा को क्वेरी करने के लिए कम्प्यूटेशनल क्षमता प्रदान करते हैं जिसके परिणामस्वरूप अंतर्दृष्टि उत्पन्न करने के लिए डेटा का प्रभावी उपयोग होता है।
  • व्याख्यात्मकता: संस्थाओं और संबंधों के बड़े नेटवर्क ग्राफ के भीतर उपलब्ध संस्थाओं के अर्थ को एकीकृत करके समझ के मुद्दे के समाधान प्रदान करते हैं। जैसे, ज्ञान के रेखांकन आंतरिक रूप से व्याख्या योग्य हो जाते हैं।

ज्ञान रेखांकन का उपयोग कहाँ करें

2021 के लिए गार्टनर के शीर्ष 10 डेटा और विश्लेषिकी रुझानों के अनुसार, ज्ञान का ग्राफ़ किसका आधार है? आधुनिक डेटा और विश्लेषण, उपयोगकर्ता सहयोग, मशीन लर्निंग मॉडल और समझाने योग्य AI को बढ़ाने और सुधारने की क्षमताओं के साथ। हालांकि ग्राफ तकनीक डेटा और एनालिटिक्स के लिए नई नहीं हैं, लेकिन उनके उपयोग के तरीके में बदलाव आया है। एक ज्ञान ग्राफ एआई को वह संदर्भ देने के लिए मशीन लर्निंग और ग्राफ तकनीकों को एक साथ लाता है जिसकी उसे जरूरत है।

जटिल समस्याओं को हल करने के लिए, जहां विभिन्न स्रोतों से आने वाले डेटा के कई असंरचित और अर्ध-संरचित स्रोतों को एकीकृत करने की आवश्यकता होती है, हमें वास्तविक दुनिया की जटिलता को प्रतिबिंबित करने के लिए कनेक्टेड, पुन: प्रयोज्य और लचीली डेटा नींव की आवश्यकता होती है। कनेक्टेड डेटा, अर्थ से समृद्ध, एक ही डेटा से कई व्याख्याओं की अनुमति देता है, जो अधिक दक्षता के साथ अंतर्दृष्टि प्राप्त करने के लिए जटिल प्रश्नों के उत्तर प्राप्त करने में सहायक होता है।

संगठन ज्ञान ग्राफ़ के लिए उपयोग के मामलों की बढ़ती संख्या की पहचान कर रहे हैं, जिनमें शामिल हैं:

धोखाधड़ी का पता लगाना: धोखाधड़ी वाले लेनदेन की पहचान करना सबसे प्रचलित उपयोग मामला है और इसमें बैंकिंग, मोबाइल फोन लेनदेन, सरकारी लाभ और कर धोखाधड़ी में आवेदन हैं। नॉलेज ग्राफ़ का उपयोग बीमा दावों पर धोखाधड़ी, अपव्यय और दुरुपयोग का पता लगाने को भी बढ़ाता है। मशीन लर्निंग और रीजनिंग क्षमताओं द्वारा सशक्त ज्ञान ग्राफ कंपनियों को एक बड़े नेटवर्क में कई रीयल-टाइम इंटरकनेक्टेड इकाइयों को ट्रेस करके धोखाधड़ी के पैटर्न की बेहतर पहचान करने की अनुमति देता है।

दवा की खोज: दवा की खोज एक अत्यंत जटिल और लागत-गहन प्रक्रिया है। नॉलेज ग्राफ़ ने कई प्रकार के कार्यों में काफी वादा दिखाया है, जिसमें नशीली दवाओं का पुनरुत्पादन, दवा परस्पर क्रिया और लक्ष्य जीन-रोग प्राथमिकता शामिल है। विशाल बायोमेडिकल ज्ञान ग्राफ बनाने के लिए प्रकाशित साहित्य के साथ बड़ी संख्या में ओपन-सोर्स डेटाबेस को एकीकृत किया गया है। ये केजी जीन, ड्रग्स, बीमारी आदि जैसी संस्थाओं के बीच संबंधों को खनन करने और डाउनस्ट्रीम अनुप्रयोगों में उनका उपयोग करने में बहुत मददगार बन गए हैं।

अर्थपूर्ण खोज: ए ज्ञान ग्राफ संस्थाओं के अर्थ संग्रहीत करता है; इसलिए, ज्ञान ग्राफ-संचालित खोज को “शब्दार्थ खोज”, या अर्थ से समृद्ध खोज। सिमेंटिक सर्च का उपयोग इंटरनेट या किसी संगठन की आंतरिक प्रणालियों की खोज करते समय खोज परिणामों की सटीकता में सुधार करने के लिए किया जाता है। काम करने के लिए शब्दार्थ खोज के लिए, एक अच्छी तरह से क्यूरेटेड ज्ञान ग्राफ के साथ, टेक्स्ट एनालिटिक्स और इंडेक्सिंग तकनीकों की क्षमताओं का उपयोग किया जाता है।

अनुशंसा प्रणाली: उत्पादों की व्यक्तिगत अनुशंसाओं के लिए उपयोगकर्ताओं की प्राथमिकताओं को मॉडल करने के लिए अनुशंसा प्रणाली विकसित की जाती है। सिफारिश प्रणाली विकसित करने के लिए विभिन्न प्रकार की मॉडलिंग तकनीकों का उपयोग किया जाता है। अपनी पर्याप्त योग्यता के बावजूद, इन प्रणालियों को डेटा विरलता, कोल्ड स्टार्ट और सिफारिशों की विस्तार क्षमता जैसी चुनौतियों का सामना करना पड़ता है। ज्ञान ग्राफ-आधारित अनुशंसा प्रणाली इन चुनौतियों को एक हद तक हल करने में मदद करने में सक्षम हैं। इस दृष्टिकोण में, उपयोगकर्ता और आइटम निकाय एकाधिक संबंधों के माध्यम से जुड़े हुए हैं। लक्षित उपयोगकर्ता के लिए संभावित उम्मीदवार सूची प्राप्त करने के लिए संबंधों का उपयोग किया जाता है, और लक्षित उपयोगकर्ता और अनुशंसित आइटम के बीच का पथ अनुशंसित वस्तुओं के स्पष्टीकरण के रूप में उपयोग किया जाता है।

मुक्ता पालीवाल पीएच.डी. परसिस्टेंट सिस्टम्स में सीनियर डोमेन एक्सपर्ट (डेटा साइंस) हैं। वह कई व्यावसायिक डोमेन में AI/ML पर आधारित अत्याधुनिक सॉफ़्टवेयर समाधान बनाने और वितरित करने के लिए टीमों का नेतृत्व और परामर्श करती है। उसने पीएच.डी. एप्लाइड मशीन लर्निंग में।

वेंचरबीट

तकनीकी निर्णय लेने वालों के लिए परिवर्तनकारी तकनीक और लेनदेन के बारे में ज्ञान हासिल करने के लिए वेंचरबीट का मिशन एक डिजिटल टाउन स्क्वायर बनना है। जब आप अपने संगठनों का नेतृत्व करते हैं तो हमारा मार्गदर्शन करने के लिए हमारी साइट डेटा तकनीकों और रणनीतियों पर आवश्यक जानकारी प्रदान करती है। हम आपको हमारे समुदाय का सदस्य बनने के लिए आमंत्रित करते हैं:

  • आपकी रुचि के विषयों पर अप-टू-डेट जानकारी
  • हमारे समाचार पत्र
  • गेटेड विचार-नेता सामग्री और हमारे बेशकीमती आयोजनों के लिए रियायती पहुंच, जैसे रूपांतरण 2021: और अधिक जानें
  • नेटवर्किंग सुविधाएँ, और बहुत कुछ

सदस्य बने

(Visited 10 times, 1 visits today)

About The Author

You might be interested in

प्यू-अमेरिका-के-42-उपयोगकर्ता-मुख्य-रूप-से-मनोरंजन-के.jpg
0

LEAVE YOUR COMMENT