Equipo editorial de Tinta Tech. Cobertura diaria de tecnología, IA, mercados y criptomonedas con perspectiva latinoamericana. Conoce al equipo →
La arquitectura de gráficos de conocimiento ha surgido desde la etapa de concepto, consignada al ámbito académico, a la etapa de infraestructura de producción, y las empresas que le den forma de la manera correcta serán propietarias de la inteligencia que cree su IA.
Esa es la premisa central que Shan Rizvi (en la foto), fundador y arquitecto de contexto de Thumos Care, ofrece a los profesionales que todavía tratan la recuperación de IA como un problema de búsqueda. La generación de recuperación aumentada encuentra fragmentos de texto, pero no razona, ni rastrea las decisiones hasta la evidencia ni acumula conocimiento a lo largo del tiempo. La brecha entre las organizaciones que entienden esto y las que no se convertirá en una de las divisiones competitivas definitorias de la era agente, señaló Rizvi.
“Cuando presentas un argumento, hay una premisa, algún razonamiento aplicado a la premisa y luego una conclusión”, dijo Rizvi. "La estructura es bastante inherente al pensamiento, y los gráficos, con la ontología adecuada, son el sustrato obvio".
Rizvi habló con John Furrier de ,para una exclusiva serie de entrevistas de AI Luminaries en el estudio de transmisión en vivo de Media. Discutieron por qué la arquitectura de gráficos de conocimiento se está convirtiendo en la capa de inteligencia esencial para la IA empresarial, cómo diseñarla a través de fuentes de datos estructuradas y no estructuradas y cómo se ve realmente el éxito para los equipos que intentan construir un cerebro empresarial duradero. (* Divulgación a continuación.)
La arquitectura de gráficos de conocimiento permite un razonamiento rastreable que las empresas poseen y controlan
El caso práctico del gráfico de conocimiento en lugar de la búsqueda se reduce al recorrido. Rizvi describió una startup que crea inteligencia artificial para el mantenimiento de piezas de camiones. Un sistema que necesitaba encontrar todos los sustitutos para una pieza determinada fabricada por empresas que cumplieran múltiples criterios simultáneamente. La búsqueda tiene dificultades con este tipo de seguimiento de rutas relacionales a escala en millones de SKU. Un gráfico de conocimiento se ocupa de ello de forma nativa y puede repetir el recorrido de forma recursiva a lo largo de diferentes caminos hasta que se materialice la mejor respuesta. Esto refleja cómo ocurre el razonamiento humano, en lugar de cómo se ha diseñado históricamente la recuperación de información.
“Ese tipo de recorrido es bastante crítico para el razonamiento”, dijo Rizvi. "La recursividad es otro componente clave. Es posible que tengas que recorrer ciertos caminos en el gráfico y luego repetir ese recorrido en diferentes direcciones para encontrar la mejor información".
Para la implementación de producción, la consideración número uno es la latencia, señaló Rizvi. La creación de un gráfico de conocimiento médico para Thumos Care utilizando Neo4j (que conecta enfermedades, síntomas, medicamentos y orientación clínica a escala) reveló que no todas las plataformas de bases de datos de gráficos manejan millones de nodos de manera confiable. El razonamiento recursivo solo debe activarse cuando sea necesario, con una recuperación más rápida de un solo salto que maneje consultas más simples para mantener los tiempos de respuesta viables en producción.
“Es muy importante considerar la escalabilidad”, dijo Rizvi. "Si trabaja con millones de piezas y decenas de millones de SKU, necesita una plataforma de base de datos gráfica que pueda manejarlos de manera confiable con una latencia razonable".
Sobre la cuestión de la infraestructura de datos, Rizvi trazó una línea clara entre lo que pertenece a un gráfico y lo que no. Las bases de datos tradicionales estructuradas con datos que cambian con frecuencia deben permanecer en sus sistemas nativos, con solo su estructura ontológica representada en el gráfico para que los agentes sepan qué consultar y cuándo. Las fuentes no estructuradas, como los hilos de Slack, las transcripciones de reuniones y los registros de chat, son mejores candidatos para la extracción directa y la ingestión en el gráfico, donde su significado contextual se puede preservar y vincular a entidades de dominio a lo largo del tiempo.
“Si quieres poseer una parte del ecosistema de inteligencia, la parte que posees debe ser vista como inteligencia, no como datos”, dijo Rizvi. "Necesita una ontología para su dominio, para el conocimiento, la cognición y la toma de decisiones, y mientras tenga esos componentes, sus modelos mejorarán a medida que se utilicen con mayor frecuencia y usted será dueño de ese valor".
Aquí está la entrevista en video completa, parte de la cobertura exclusiva de y de la serie de entrevistas AI Luminaries:
(* Divulgación: es un socio de medios pago para la serie de entrevistas Neo4j AI Luminaries.Ni Neo4j, el patrocinador de la cobertura de, ni otros patrocinadores tienen control editorial sobre el contenido de o .)
