Equipo editorial de Tinta Tech. Cobertura diaria de tecnología, IA, mercados y criptomonedas con perspectiva latinoamericana. Conoce al equipo →
La inteligencia gráfica se está convirtiendo rápidamente en el tejido conectivo que le falta a la empresa: la capa de conocimiento que permite que los modelos pasen de prototipos inteligentes a sistemas confiables con capacidad de decisión. Al preservar las relaciones entre datos fragmentados, le brinda a la inteligencia artificial el contexto necesario para producir respuestas más precisas y respaldar la acción informada.
En el evento Neo4j GraphTalk, la conversación no fue sobre otro producto específico. Según John Furrier de Research, reflejó un cambio arquitectónico más amplio en la forma en que las empresas conectan datos y suministran contexto a sistemas de IA a escala.
“Este es un evento que reúne a todos los expertos de la industria, las tecnologías y los clientes para hablar sobre las innovaciones en IA a nivel gráfico, lo que realmente impulsa la salsa secreta de lo que estamos viendo escalando la IA”, dijo. "Eso son las ontologías; eso es obtener datos rápidamente, alimentar la IA y tener inteligencia. Se está convirtiendo en la pieza clave".
Durante el evento Neo4j GraphTalk y la cobertura posterior al evento, Furrier habló con los líderes, socios y clientes de Neo4j Inc. en una transmisión exclusiva en el estudio de transmisión en vivo de Neo4j. Las discusiones se centraron en cómo los gráficos de conocimiento están cimentando las pilas de agentes a escala, cómo los casos de uso de producción están demostrando el valor de los datos conectados y cómo las asociaciones están acelerando la inteligencia de gráficos en todas las plataformas. (* Divulgación a continuación.)
Aquí hay tres ideas clave que quizás te hayas perdido en la cobertura del evento Neo4j GraphTalk:
Información #1: La inteligencia gráfica sitúa a los agentes en una capa de conocimiento empresarial.
A medida que la IA generativa va más allá de la experimentación, las empresas están convergiendo en una arquitectura que basa grandes modelos de lenguaje en datos organizacionales confiables. La capa de conocimiento empresarial mantiene la ontología, los datos y la memoria del agente de una organización fuera del modelo, lo que permite que esos activos sigan siendo accesibles y gobernados, según Philip Rathle (en la foto), director de tecnología de Neo4j Inc.
“La capa de conocimiento empresarial es el gran tema”, dijo. "GraphRAG describe el patrón de hacer que un LLM llame a un gráfico de conocimiento para que externalice su conocimiento en contexto. No vive en el modelo. Vive en un sistema de conocimiento. Y eso le brinda mayor precisión, explicabilidad y gobernanza".
La investigación independiente y un punto de prueba del mundo real proporcionan evidencia de esa arquitectura. El Centro Nacional de Innovación de Datos del Reino Unido descubrió que GraphRAG hacía que los agentes fueran un 80% más “veraces” que la recuperación solo mediante vectores, al mismo tiempo que les permitía responder más del doble de preguntas y usar tokens de manera más eficiente. En un compromiso reciente con una agencia tributaria nacional, los modelos gráficos brindaron un valor mensurable al exponer conexiones ocultas en tablas convencionales, señaló Rathle.
“Cuarenta y ocho horas después del inicio de una prueba de concepto, identificaron más de 100 millones de dólares en fraude fiscal”, dijo durante GraphTalk. “Si lo generalizas, si has estado caminando limitado con tus anteojeras porque estás mirando estos datos en 2D, llevas los datos a una vista gráfica y, de repente, todas estas cosas se vuelven deslumbrantemente obvias, que antes simplemente no podías ver”.
Aquí está la entrevista completa en vídeo con Philip Rathle:
Insight #2: El contexto conectado expone riesgos ocultos y guía la acción.
La inteligencia gráfica expone relaciones que las herramientas convencionales y los analistas humanos pueden pasar por alto. En el trabajo antifalsificación de productos farmacéuticos de Gilead Sciences Inc., un modelo de detección de tres capas combina lógica basada en reglas para patrones conocidos, aprendizaje automático tradicional para anomalías estadísticas y redes neuronales gráficas para esquemas de fraude basados en relaciones, según Thomas Luu, director de seguridad global de productos de Gilead.
“Con la implementación de redes neuronales gráficas con Neo4j, pudimos sacar a la luz estas redes ocultas y permitirnos analizar nuestros datos a un nivel y a una escala que antes no era posible debido a las limitaciones humanas”, dijo Luu. “El fraude no ocurre con una sola transacción.Ocurre en muchas entidades, y muchas de estas entidades están ocultas”.
La inteligencia gráfica no reemplaza los métodos de detección de fraude existentes de Gilead; agrega una capa de relación que muestra lo que las reglas y anomalías estadísticas no pueden, señaló Luu. Los algoritmos de agrupación pueden conectar automáticamente a un actor de fraude principal con participantes de menor volumen cuya actividad, de otro modo, podría permanecer oculta en los datos agregados.
“No queremos confiar solo en una técnica”, dijo Luu durante el evento. "Las reglas son geniales, el aprendizaje automático es genial, pero cuando las combinas con GNN y la capa de gráficos, es cuando empiezas a ver cosas que nunca antes habías visto".
Aquí está la entrevista completa en vídeo con Thomas Luu:
El contexto conectado también puede brindar a los agentes de IA una base para investigaciones de seguridad más autónomas. Icite Inc. normaliza los datos de identidad del cliente en una capa de conocimiento basada en gráficos que los agentes pueden atravesar para descubrir conexiones, establecer líneas de base de comportamiento e identificar desviaciones, según Wes Mullins, fundador y director ejecutivo de Icite.
“Podemos empezar a salir de forma autónoma y trabajar para el equipo de seguridad”, dijo. “Ese es realmente el objetivo. Deje que los agentes se encarguen del recorrido de rutina para que sus analistas puedan centrarse en las decisiones que realmente requieren el juicio humano”.
Aquí está la entrevista completa en video con Wes Mullins:
Intuición n.º 3: La inteligencia gráfica hace que el contexto empresarial sea reutilizable y adaptable.
Una capa de inteligencia compartida puede proporcionar una base reutilizable para el desarrollo de agentes en entornos empresariales grandes. En el trabajo de cadena de suministro de Microsoft Corp., modelar una lista de materiales como un gráfico permitió a los equipos preservar las relaciones y los metadatos en lugar de reconstruir ese contexto para cada agente, según Jeevan Pathuri, vicepresidente de ingeniería de software de Microsoft.
“Pudimos construir de 10 a 15 agentes en producción en cuestión de unas pocas semanas”, dijo. “Sin este tipo de inteligencia conectada, habríamos tenido que crear estos agentes individualmente, uno tras otro, redescubriendo las relaciones y los metadatos a lo largo del camino, en lugar de crear todo esto una vez y ponerlo a disposición de muchos escenarios”.
Aquí está la entrevista completa en video con Jeevan Pathuri:
CommonThread AI Inc. aplica un principio similar a los flujos de trabajo de comercialización, donde las herramientas desconectadas fragmentan la segmentación, los perfiles de clientes ideales, los mensajes y los datos de mercado. Una base de datos gráfica brinda a los equipos una visión compartida de esas relaciones y, al mismo tiempo, permite que su contexto comercial más amplio evolucione con las condiciones económicas, políticas y de mercado, según Tim Gosnell, director ejecutivo de CommonThread AI.
“La única manera de hacerlo es teniendo una ventana de contexto más grande. Construyamos esa ventana de contexto más grande", dijo Gosnell. "Cuanto más construimos esa ventana de contexto más grande, más entendemos lo que está sucediendo en nuestro negocio y luego seguimos actualizándolo. A medida que las cosas cambian, seguimos adquiriendo un contexto nuevo y adaptable”.
Aquí está la entrevista completa en video con Tim Gosnell:
Aquí está la lista de reproducción de videos completa, que incluye entrevistas del evento Neo4j GraphTalk y la cobertura relacionada posterior al evento:
(* Divulgación: es un socio de medios pago para el evento Neo4j GraphTalk. Ni Neo4j, el patrocinador de la cobertura del evento, ni otros patrocinadores tienen control editorial sobre el contenido de o .)
