我们应该如何避免另一个AI冬季

尽管在过去几年中人工智能(AI)取得了长足进步，但我们中的许多人都记得1990年代的AI冬季，这是由于开发人员的过分夸大承诺以及最终用户的不自然期望所致。现在，行业内部人士(例如AI的Facebook负责人Jerome Pesenti的负责人)预测，由于缺乏语义理解，这次AI将很快碰壁。

Pesenti说：“深度学习和当前的AI，如果您真的很诚实，则有很多限制。”“我们离人类的智能非常非常远，并且存在一些批评是有效的：它可以传播人类的偏见，不容易解释，没有常识，更多的是模式匹配而不是鲁棒性。语义理解。”

其他计算机科学家认为，人工智能目前正面临“可再现性危机”，因为许多复杂的机器学习算法都是“黑匣子”，无法轻易复制。McGill的计算机科学教授Joelle Pineau指出，复制和解释AI模型的工作原理可提供透明性，有助于未来的技术创新和研究工作，并且当算法取代人工决策来决定谁入狱和谁被批准抵押。

让我们看一下如何避免出现另一个AI冬季。

从符号AI开始

无法解释和重现AI模型是我们需要克服的障碍，以使AI既可信赖又实用。这可以通过退后一步并再次查看符号AI来实现，然后通过将符号AI(经典知识表示，基于规则的系统，推理，图形搜索)与机器学习技术相结合来向前迈出两个步骤。

符号AI通过使用本体和分类法为数据添加了含义或语义。基于规则的系统是符号AI中的一项主要技术。这些系统还严重依赖于这些本体和分类法，因为它们有助于制定正确且有意义的if / then规则。使用规则和基于规则的系统的优点是它们提供一致且可重复的结果，但也大大有助于获得可解释的结果。

消除数据孤岛

为了使AI能够实现当前的期望，它还需要消除在整个IT系统中进行查询的孤岛，发布复杂的聚合查询，并自动执行模式和数据验证措施以获取准确的分析结果。

组装机器学习模型的各种带注释的训练数据集的严格性要求能够跨数据库进行查询或为此目的快速集成不同的源。语义图数据库通过基于标准的方法来支持统计AI的先决条件，在该方法中，图的每个节点和边缘都具有唯一的，机器可读的全局标识符。

因此，组织可以将不同的数据库链接在一起，以在整个数据库上进行查询，同时合并各种常见用例的来源，例如预测个人的下一个健康问题或及时的供应链管理。

这些联合查询不仅使筒仓文化过时，而且还确保数据始终保持相关性，并且对任何即将出现的技术都具有前瞻性。在AI和分析对于实时行动变得越来越必要的时代，组织根本没有时间在孤岛数据库之间重建架构和术语。

自动验证数据

模式的概念与数据验证本质上相关，这对于信任查询结果以进行分析至关重要。语义知识图使用自然发展的数据模型，自描述模式和按需模式选项(例如JSON，JSON-LD和SHACL)对所有模式进行标准化。

SHACL之类的框架对于验证数据至关重要，并通过确保数据形状的一致性自动进行验证。现实情况是，如果没有明显的模式，就几乎不可能在不编写过程代码的情况下针对数据质量的这一基本方面来验证数据，这可能会非常费时，而这要取决于任务的规模。

人工智能时代的自动化已经迫在眉睫。手动生成用于数据验证措施的脚本，就像认知计算本身一样可自动化和可重复，只是浪费时间。

标准化词汇以汇总查询

操作性AI所必需的查询的复杂程度极高;但是，知识图中的词汇表和分类法的标准化支持顺序查询聚合，这些聚合很难在其他设置中重复。一旦组织对不同概念的单词及其含义进行了标准化，他们不仅可以创建各种分类法，还可以将它们链接以进行查询。

例如，在医疗保健中，可以查询所有患有某种疾病，特定治疗方法，在接下来的三个月内进行移植以及针对特定药物的患者。通过查询不同分类法以将各种查询聚合为单个查询以获得特定结果的能力，部分帮助了此类复杂的临时查询。

在不久的将来，将很少有不需要跨数据库查询，自动验证数据和聚合查询的功能的用例。人工智能将成为企业必不可少的要素，采用语义知识图方法的人一定会保持冷静。