▲ 圖片來源：Getty

數(shù)據(jù)顯示，人工智能（AI）預計將在經(jīng)濟領(lǐng)域創(chuàng)造數(shù)萬億美元的價值。不過，盡管人工智能技術(shù)正在成為我們?nèi)粘Ｉ畹囊徊糠?，很多人仍然對它抱有懷疑態(tài)度。他們的顧忌是，很多AI解決方案的運作就像個黑匣子，無法解釋為什么似乎就奇跡般地產(chǎn)生了洞察結(jié)果。

而與此同時，眾多行業(yè)現(xiàn)在都認為知識圖譜是一種數(shù)據(jù)管理、元數(shù)據(jù)管理和豐富數(shù)據(jù)的有效方式，并且正在越來越多地應用于數(shù)據(jù)整合技術(shù)。此外，知識圖也正在成為AI策略的組成部分，通過所謂的人在回路（HITL，human-in-the-loop）設計原則達到可解釋AI的目的。

>>> 為什么人工智能的運作是個黑盒子？

AI基于諸如深度學習一類的機器學習算法，其強項就是從大數(shù)據(jù)集里自動提取模式和規(guī)則。這樣做非常適合于一些特定的問題，在許多情況下可以幫助完成自動分類任務。至于為什么一些物體被歸到某一類或另一類卻是不可解釋的。因為機器學習不能提取因果關(guān)系，機器學習也就不能歸納抽取某些規(guī)則的原因。

機器學習算法是從歷史數(shù)據(jù)中進行學習，但機器學習算法無法從歷史數(shù)據(jù)里得到新的見解。在日益變化的環(huán)境里，這個問題常常會受到質(zhì)疑，因為深度學習的全部方法都是基于有足夠數(shù)據(jù)的假設。在許多行業(yè)（如金融和醫(yī)療保?。├?，有一點越來越重要——要實現(xiàn)的AI系統(tǒng)必須能夠提供可解釋的、透明的決定以及可以快速地與新的條件和監(jiān)管框架接軌（如歐盟關(guān)于人工智能倫理的指引：https://www.europarl.europa.eu/RegData/etudes/BRIE/2019/640163/EPRS_BRI\(2019\)640163_EN.pdf）

>>> 我們能構(gòu)建可以信任的AI應用嗎？

如果沒有可解釋性，就沒有信任可言?？山忉屝砸馕吨到y(tǒng)里存在值得信賴的因子，這些因子能夠理解和解釋由AI系統(tǒng)作出的決定。但在目前情況下，除了讓人工智能的決策更透明以外沒有其他選擇。不幸的是，一些最流行的機器學習算法是基于無法解釋的計算規(guī)則，這些計算規(guī)則無外乎 “既成事實”。

要擺脫這種困境，唯一方法就是從根本上再構(gòu)造有關(guān)的基本架構(gòu)，不僅要用知識圖譜作為計算的前提，還要提供相應的解釋。

>>> 語義AI是什么？

語義AI是符號和統(tǒng)計AI背后的推動力。它結(jié)合了機器學習、知識建模、自然語言處理、文本挖掘和互聯(lián)網(wǎng)語義各方面的方法，以及AI策略的優(yōu)勢（主要是語義推理和神經(jīng)網(wǎng)絡方面的優(yōu)勢）。

需要強調(diào)的是語義AI是目前構(gòu)建基于AI系統(tǒng)主要方法的擴展，不是替代辦法。該方法不僅提供戰(zhàn)略選擇，還會提供一個直接好處：可以更快地從小訓練數(shù)據(jù)進行學習，比如在開發(fā)開發(fā)聊天機器人時克服所謂的冷啟動問題。

>>> 知識科學家是什么樣的科學家？

基于完全不同的方法，語義AI引入了具有互補技能的附加利益相關(guān)者。傳統(tǒng)的機器學習主要由數(shù)據(jù)科學家完成，而參與語義AI或可解釋AI的則是知識科學家。二者的區(qū)別是什么？

從本質(zhì)上看，數(shù)據(jù)科學家絕大多數(shù)的時間都花在收集和處理不受控制的數(shù)據(jù)上，目的是從數(shù)據(jù)里得到有益的信息，工作的重點是利用無關(guān)的數(shù)據(jù)構(gòu)建平鋪數(shù)據(jù)文件，生成的數(shù)據(jù)特征與現(xiàn)實世界的關(guān)系并不強。

還有另一種方法，就是通過開發(fā)一些工具，然后由知識科學家用工具直接處理企業(yè)的知識圖并從中提取數(shù)據(jù)的子集，進而迅速轉(zhuǎn)化為分析結(jié)構(gòu)。分析結(jié)果的本身可以被重復使用，并構(gòu)建成為更豐富的知識圖譜。

相較而言，語義AI方法建立的是一個連續(xù)的循環(huán)，由機器學習科學家和知識科學家作為這個循環(huán)上不可或缺的一部分。知識圖在之間充當接口并提供高品質(zhì)數(shù)據(jù)和歸一化數(shù)據(jù)之間的鏈接。

>>> 新的人工智能方法會得出更好的結(jié)果嗎？

知識圖的使用除了可以用于構(gòu)建值得信賴和被廣泛接受的可解釋AI外，還可以連同富含語義和鏈接的數(shù)據(jù)對機器學習算法進行訓練。

該方法有許多優(yōu)點。比如，可以在少量訓練數(shù)據(jù)的前提下獲取具足夠精度的結(jié)果，這在冷啟動階段特別很有用。除此之外，該方法的訓練數(shù)據(jù)集可重用性也更好，這將有助于節(jié)省數(shù)據(jù)準備過程里的成本。與此同時，該方法還可以為現(xiàn)有的訓練數(shù)據(jù)補充背景知識，通過自動推理進而可迅速獲取更豐富的訓練數(shù)據(jù)，還可以幫助避免在特定領(lǐng)域中提取從根本上就是錯誤的規(guī)則。

>>> 開發(fā)和關(guān)注語義AI

綜上所述，如果讀者是數(shù)據(jù)科學家或數(shù)據(jù)經(jīng)理，或是如果你管理的人處在這樣的位置，那就務必開始著手語義AI研究和發(fā)展與語義AI工作相關(guān)所需的技能。

語義豐富的數(shù)據(jù)是高質(zhì)量數(shù)據(jù)的基礎(chǔ)，可為特征提取提供更多的機會。而由機器學習算法計算得到預測和分類精度就會更高。此外，語義AI應該建立基礎(chǔ)架構(gòu)以克服AI系統(tǒng)開發(fā)商和其他利益相關(guān)者的信息不對稱性，其中的利益相關(guān)者包括消費者和政策制定者等等。從這方面來說，語義AI最終將在技術(shù)、倫理和法律三個層面上的工作達到AI治理的目的。

雖然，目前大多數(shù)機器學習算法在數(shù)據(jù)是文本或結(jié)構(gòu)化數(shù)據(jù)時都可以很好的運作。但語義數(shù)據(jù)模型的引入將發(fā)揮更大的作用。