江苏龙网

  1. 首页 > 资讯 > 科技 > >

人工智能■汪伟：知识图谱的原理、特性与金融业应用实践


4月16日 ， 由清华大学金融科技研究院金融大数据研究中心主办、未央网联合主办、百融云创承办的“金融科技在线大讲堂”第六期成功举行 。 平安科技知识图谱技术团队副总工程师汪伟以“知识图谱原理、特性与金融业应用实践”为主题 ， 从当前AI技术认知逻辑框架与局限、知识图谱的意义和实战应用分析三个方面带来精彩分享 。 以下整理来自嘉宾分享实录：
当前AI技术关于认知的逻辑框架与局限在AI技术关于认知这个模块 ， 从业者经常碰到诸如此类的问题 ， 我们为什么要去做标注？为什么要喂大量的样本给机器？为什么机器得出来的结果是一个百分之多少的可能性？为什么样本量要足够大？如果不够大又会产生什么样的效果？这就要回到问题的原点 ， 了解了背景 ， 才能够明白底层的逻辑 。
1.学习模式差异
【人工智能■汪伟：知识图谱的原理、特性与金融业应用实践】第一个是学习模式的差异 。 学习模式主要有两种 ， 一种叫外延式学习 ， 另一种叫内涵式学习 。 现在所有的机器学习、数据挖掘和人工智能 ， 都是基于外延式学习的 。 其优点是只需要告诉它事物明显的特征即可 ， 不触及本质的内在结构 ， 方便学习 ， 成本很低 。 比如我们教小朋友认识事物 ， 指着告诉他这是桌子 ， 这是椅子就能懂了 。 但这种学习模式也有缺陷 ， 就是在推广的时候有一些特殊情形 ， 可能容易看错 。 内涵式学习 ， 比如关于人的定义 ， 古希腊说人是一种理性的动物 ， 后来马克思说人是一切社会关系的总和 。 像这样的描述 ， 的确触及到了事物的本质 ， 但它不好的地方就是你把这个东西告诉计算机 ， 它却没办法计算、没法工作 。 内涵式学习有一个很好的地方 ， 就是定义清楚之后 ， 它的泛化或者说推广能力非常强 ， 这样的话只需要学很少的样本 ， 它就可以推广出去 。
2.推理模式差异
第二个是推理模式的差异 。 推理也有两种方式 ， 一种是演绎推理 ， 一种是归纳推理 。 演绎推理就是所谓的三段式推理 。 一个经典例子：人是要死的 ， 苏格拉底是人 ， 所以苏格拉底一定会死 。 注意一下最后的推理结论 ， 它一定是一个确凿的 ， 而不是概率性的结论 。 而归纳推理 ， 比如说男生的头发通常是短的 ， 张三的头发也很短 ， 张三很可能是男生 。 最后的结论是一种程度的描述——很可能是男生 ， 这个概率可能是70% ， 也可能是80% 。 但如果这个时候加一些描述 ， 比如说张三穿了一件红色的衣服 ， 戴了一副耳环 ， 最后的结论就会发生变化 ， 这是归纳推理所特有的性质 。 前面说的机器学习、人工智能和数据挖掘运用的都是归纳推理 。 在风险测量或者定价的时候 ， 增加因子数量的多少 ， 输入信息的变化会影响最终判断结果 。
知识图谱技术的原理、特性1.关联-从数据表到数据链
知识图谱有一个很重要的特性 ， 就是关联 。 在现实工作生活中 ， 无论做企业分析还是个人分析 ， 都会涉及到数据表 。 比如去办事 ， 会被询问身份证、手机号、姓名、年龄、生日等信息 ， 这些信息是拿来做关联的 。 但这种关联本身有局限性 ， 比如很多东西关联不上 ， 或者说关联没那么紧密 。 这种情况下该怎么办呢？我认为随着5G的发展 ， 我们将从“主键关联”迈向“万物互联” ， 即物与物、设备与设备之间的关联 ， 进而演进为“万数互联”的形态 。
为什么说万数互联是一种趋势 ， 或者说万数互联有怎样的意义？一方面 ， 关联面变大 。 举个例子 ， 我们经常在新闻里听到面粉会发生粉尘爆炸 ， 很少听到小麦会燃烧爆炸 。 这是由于小麦磨成面粉之后 ， 它的表面积变化了 ， 这个比表面积变化的量级是百倍级的 ， 麦粒表面接触到的氧原子（在它磨成面粉之后）的接触面积变大了 ， 导致物质的性质发生了质变——变得易燃易爆 。 另一方面 ， 关联力度变细 。 比如说一家公司和另一家公司可能不会发生关联 ， 但是公司和事件可以关联吗？事件和事件可以关联吗？这种关联在现有的表关联的结构体系中是很少出现的 ， 但在知识图谱里他们可以被关联起来 。


推荐阅读


上一篇：#百度#字节跳动入场百科产品，为何互联网巨头青睐于此？

下一篇：「百度」今日头条新产品上线，百度迎来最大对手了吗？