圖技術是整合上下文情境和關聯的有效選擇，使人工智能解決方案更高效
作者：Neo4j首席執行官Emil Eifrem
如果認真構建人工智能(AI)來做出與人類同樣聰明和明智的選擇，研究為決策提供信息的重要環境因素——上下文情境，則有非凡意義。
就本質而言，人工智能需要上下文來模仿人類的智力水平。畢竟，上下文是構建事物并賦予其意義的信息。例如，一個人說“滾出去！”可能表達并無敵意的驚訝，或者憤怒地要求某人離開房間。然而，這無法僅僅通過閱讀文字來判斷。
使用上下文情境判斷一種情況下的重點所在，以及如何將此類經驗應用于新情況可以幫助解決這個問題。
機器人需要依賴上下文情境做出更接近人類的決策。如果沒有外部及相關信息，人工智能將需要更全面的訓練、更規范的規則，而且長期局限在更多特定應用中。
問題的關鍵在于必須發現上下文情境。人工智能科學家曾試圖通過構建狹窄但功能強大到足以將一件事做到極致的系統來省略發現上下文情境。窄人工智能專注于出色地執行一項任務，例如圖像識別等，但它無法橫向擴展，無法圍繞計劃、語言理解、目標識別、學習或解決問題等產生與人類相似的復雜理解。
關聯數據和定義關系
為人工智能應用提供上下文情境的方法之一是通過圖擴展人工智能的能力以應對復雜性。圖數據庫是一種管理數據的方式，與Oracle或Microsoft SQL Server等傳統關系型數據庫的存儲方法截然不同。它也不同于MongoDB這樣的NoSQL。Gartner指出企業對圖數據庫的關注是當前主要趨勢之一，而行業也步入了“圖時代”。
圖適用于從亞馬遜購物推薦到欺詐和洗錢檢測等各種用例。圖技術越來越多地被用于支持人工智能和機器學習(Machine Learning)計劃。因為其原生架構為人工智能應用程序提供了缺失的上下文，早期研究結果表明有上下文關聯的人工智能遠遠優于不包含此背景的人工智能。圖技術關聯數據并定義關系，有相關上下文情境的圖技術可以增強人工智能，它提供了一種有效的手段為復雜人工智能應用程序的發展賦能。
以自動駕駛
汽車為例。因為潮濕天氣存在很大變數，設計自動駕駛汽車在雨天的行駛非常困難，也無法針對所有可能發生的情況對車輛進行訓練。但如果為人工智能提供相關上下文信息（雨、光、
交通擁堵和溫度），則可以整合多個上下文信息，幫助車輛推斷下一步行動。
圖至少可以在四個方面為人工智能提供上下文情境支持。第一是知識圖譜，用于提升決策支持并確保針對某種特定情況提供最合適的答案。谷歌搜索是上下文豐富的知識圖譜中最常見的用例，文檔分類和客戶支持也是常見的應用。上下文豐富的知識圖譜非常適用于以文檔形式獲取大量知識的組織機構。例如NASA經驗教訓(Lessons Learned)數據庫收集了50年來所有太空項目的知識。
其次，通過圖加速的機器學習使用圖來優化模型并加快流程。當前的機器學習方法通常依賴于存儲在表格中的數據，但使用此類數據指導的網絡是資源密集型的。圖呈現了相互關聯的數據，并提供上下文情境以提高效率，實現快速、大規模地遍歷和分析多種分離度的關系。
第三，關聯特征提取分析數據以識別其中包含的最具預測性的要素。例如，研究表明，與直接朋友相比，更廣的朋友網絡可能是預測其如何投票的更適合指標。另一用例是圖算法如何簡化查找隱藏社區的異常情況，這些社區可能是欺詐團伙或洗錢網絡。
第四，圖為人工智能如何決策提供一種透明方式。這種能力對于長期應用人工智能至關重要，因為在醫療保健、信用風險評分和刑事司法等行業，解釋決策的方式和原因非常必要。獲得上下文支持的人工智能可以幫助監督者在上下文數據集里繪制決策路徑并將其可視化，消除影響決策過程中下結論及提供建議的信心的“黑匣子”。
讓人工智能更值得信賴
Neo4j堅信圖對人工智能至關重要，因此已正式向正在制定美國人工智能政府標準的NIST（美國國家標準與技術研究院）提交了圖和人工智能提案。提案指出，當只有圖軟件提供上下文信息支持和解釋時，人工智能和智能計算相關應用（如機器學習）才會更加有效、可信和強大。
未明確包含上下文信息的人工智能將導致低于標準的結果，但代表關聯數據的圖軟件可以進一步提供幫助。利用圖技術的力量來豐富數據集，使其更具效力，為下一代人工智能的成功奠定更好的基礎。