添加上下文情境助推人工智能更上一层楼
作者：Neo4j 首席执行官 Emil Eifrem
如果认真构建人工智能 (AI) 来做出与人类同样聪明和明智的选择，研究为决策提供信息的重要环境因素——上下文情境，则有非凡意义。
就本质而言，人工智能需要上下文来模仿人类的智力水平。毕竟，上下文是构建事物并赋予其意义的信息。例如，一个人说“滚出去！”可能表达并无敌意的惊讶，或者愤怒地要求某人离开房间。然而，这无法仅仅通过阅读文字来判断。
使用上下文情境判断一种情况下的重点所在，以及如何将此类经验应用于新情况可以帮助解决这个问题。机器人需要依赖上下文情境做出更接近人类的决策。如果没有外部及相关信息，人工智能将需要更全面的训练、更规范的规则，而且长期局限在更多特定应用中。
问题的关键在于必须发现上下文情境。人工智能科学家曾试图通过构建狭窄但功能强大到足以将一件事做到极致的系统来省略发现上下文情境。窄人工智能专注于出色地执行一项任务，例如图像识别等，但它无法横向扩展，无法围绕计划、语言理解、目标识别、学习或解决问题等产生与人类相似的复杂理解。
关联数据和定义关系
为人工智能应用提供上下文情境的方法之一是通过图扩展人工智能的能力以应对复杂性。图数据库是一种管理数据的方式，与 Oracle 或 Microsoft SQL Server 等传统关系型数据库的存储方法截然不同。它也不同于MongoDB这样的NoSQL。Gartner 指出企业对图数据库的关注是当前主要趋势之一，而行业也步入了“图时代”。
图适用于从亚马逊购物推荐到欺诈和洗钱检测等各种用例。图技术越来越多地被用于支持人工智能和机器学习(Machine Learning)计划。因为其原生架构为人工智能应用程序提供了缺失的上下文，早期研究结果表明有上下文关联的人工智能远远优于不包含此背景的 人工智能。图技术关联数据并定义关系，有相关上下文情境的图技术可以增强人工智能，它提供了一种有效的手段为复杂人工智能应用程序的发展赋能。
以自动驾驶汽车为例。因为潮湿天气存在很大变数，设计自动驾驶汽车在雨天的行驶非常困难，也无法针对所有可能发生的情况对车辆进行训练。但如果为人工智能提供相关上下文信息（雨、光、交通拥堵和温度），则可以整合多个上下文信息，帮助车辆推断下一步行动。
图至少可以在四个方面为人工智能提供上下文情境支持。 第一是知识图谱，用于提升决策支持并确保针对某种特定情况提供最合适的答案。谷歌搜索是上下文丰富的知识图谱中最常见的用例，文档分类和客户支持也是常见的应用。上下文丰富的知识图谱非常适用于以文档形式获取大量知识的组织机构。例如 NASA经验教训 (Lessons Learned) 数据库收集了50年来所有太空项目的知识。
其次，通过图加速的机器学习使用图来优化模型并加快流程。当前的机器学习方法通常依赖于存储在表格中的数据，但使用此类数据指导的网络是资源密集型的。图呈现了相互关联的数据，并提供上下文情境以提高效率，实现快速、大规模地遍历和分析多种分离度的关系。
第三，关联特征提取分析数据以识别其中包含的最具预测性的要素。例如，研究表明，与直接朋友相比，更广的朋友网络可能是预测其如何投票的更适合指标。另一用例是图算法如何简化查找隐藏社区的异常情况，这些社区可能是欺诈团伙或洗钱网络。
第四，图为人工智能如何决策提供一种透明方式。这种能力对于长期应用人工智能至关重要，因为在医疗保健、信用风险评分和刑事司法等行业，解释决策的方式和原因非常必要。获得上下文支持的人工智能可以帮助监督者在上下文数据集里绘制决策路径并将其可视化，消除影响决策过程中下结论及提供建议的信心的“黑匣子”。
让人工智能更值得信赖
Neo4j 坚信图对人工智能至关重要，因此已正式向正在制定美国人工智能政府标准的 NIST（美国国家标准与技术研究院）提交了图和人工智能提案。提案指出，当只有图软件提供上下文信息支持和解释时，人工智能和智能计算相关应用（如机器学习）才会更加有效、可信和强大。
未明确包含上下文信息的人工智能将导致低于标准的结果，但代表关联数据的图软件可以进一步提供帮助。利用图技术的力量来丰富数据集，使其更具效力，为下一代人工智能的成功奠定更好的基础。
