Проблема больших данных. Большие данные (big data) имеют три характеристики: разнообразие (variety), объем (volume) и скорость (velocity). Известные как «три V больших данных», они описывают, как данные часто существуют в разных типах, в дополнение к тому, что они очень быстро создаются и накапливаются в больших объемах.

Значительная часть деловой информации хранится в виде «неструктурированных данных» — отраслевом жаргоне для текста. Однако человеческая речь часто сложна для машинного понимания. Существуют методы, которые пытаются решить эту проблему, но большинство из них не могут полностью понять смысл и правильно интерпретировать нюансы языка.

Консалтинговые фирмы пытаются помочь своим клиентам извлечь пользу из больших данных. Однако им сложно выполнять такую работу из-за чрезмерной зависимости от алгоритмов машинного обучения. Во многом это связано с неправильным управлением данными своих клиентов.

Борьба за улучшение качества данных

Низкое качество данных не позволяет компаниям получать своевременную и точную информацию, необходимую для принятия решений. MIT подсказывает, что компании теряют фактически от 15% до 25% своих доходов из-за плохого качества данных.

Следовательно, анализ и представление данных составляют значительную часть современных управленческих консультационных услуг. Консультанты должны выполнить достаточно трудоемкую задачу сбора и очистки данных из разрозненных частей организаций своих клиентов. Только тогда они смогут обрабатывать и интерпретировать их осмысленным образом. В результате аналитики data science тратят более половины своего времени на сбор и обработку данных, прежде чем их можно будет использовать.

В попытке улучшить ситуацию консалтинговые фирмы еще больше полагаются на технологию, которую они уже знают: машинное обучение. Они используют алгоритмы, которые помогают автоматизировать и ускорить некоторые процессы очистки данных. Однако это лишь краткосрочное решение. На самом деле консультанты должны помочь клиентам изменить способ обработки данных.

Добавление графа знаний в микс

Граф знаний - это представление знаний, выступающее посредником между людьми и машинами. Он изображает мир таким образом, очень похожим на человеческий, связывая идеи, концепции и вещи.

Имея в руках такой инструмент, компании могут решить многие проблемы с данными. Они могут использовать его для автоматической классификации, связывания, проверки и обогащения всех своих данных. Граф знаний также можно использовать для подключения различных наборов данных и файлов, чтобы сделать их доступными, поскольку они представляли собой только какую-то отдельную базу данных. Это позволяет компаниям извлекать больше пользы из данных.

Фирмы, занимающиеся управленческим консалтингом, могут сыграть важную роль в поддержке компаний при построении графа их знаний. Процесс требует усилий и сотрудничества от различных заинтересованных сторон в компании — от руководителей до специалистов в данной области. Может показаться, что это длительный и сложный процесс. Но существуют методологии, стандарты и инструменты, которые могут существенно его ускорить, например, автоматическое удаление тысяч концепций из текстов и баз данных.

Это важно и для успешной реализации стратегий ИИ. Граф знаний может даже устранить необходимость в больших объемах данных для тренировки алгоритмов машинного обучения (так называемая «проблема холодного запуска»). Когда данные классифицированы и связаны, алгоритмы требуют меньше данных для получения релевантных результатов, потому что они могут анализировать не только сами данные, но и их контекст.

Другое преимущество ИИ-решений, построенных с использованием графа знаний, заключается в том, что они могут использоваться многократно. Как только знания на месте, они больше не зависят от существующих баз данных и становятся самостоятельным активом знаний. Это позволяет графу знаний охватывать многие области, в которых работает компания, для многократного использования.

Графы знаний также делают алгоритмы машинного обучения более понятными. Отображение взаимосвязей между данными облегчает людям понимание того, как алгоритмы достигают конкретных результатов. А лица, принимающие решения, способны это оценить и довериться выполнению своих ИИ-приложений.

Как помочь клиентам начать работу с графами знаний

Лучший способ приблизиться к полноценному использованию графов знаний — начать с малого и расти. Помогите своим клиентам выбрать конкретный вариант использования, который может быстро показать ценность, которую граф знаний может принести их организации. Посмотрите на их стратегические цели, выберите вариант использования, который имеет четко определенную ценность для бизнеса и который делает процесс или услугу более эффективной и интеллектуальной. Как только вы помогли реализовать один вариант использования, переходите к другим, пока организация полностью не примет графы знаний.

Хорошие варианты использования для начала включают улучшение возможностей поиска, разработку более совершенных систем рекомендаций или автоматизацию классификации документов. Все они — зрелые плоды реализации графа знаний. Как только они будут созданы, вы можете поощрять своих клиентов создавать свои собственные приложения для искусственного интеллекта, такие как чат-боты — это виртуальные помощники, которые извлекают информацию из большого количества неструктурированных текстовых документов.

Сочетание графов знаний и машинного обучения революционизирует аналитику данных. Этот подход имеет множество применений - от людских ресурсов до финансов. Компании, которые возьмут его на вооружение, будут извлекать больше пользы из данных и расширять свои инновационные возможности. Он станет стандартом в каждой отрасли, и фирмы управленческого консалтинга, чтобы оставаться актуальными, должны принять его как можно скорее.

  • Текст подготовил Петро Муравьев
  • Соавтор в беседе: Бирюков Алексей
  • Дата 19.03.23
  • Категория Консалтинг
  • При копировании обязательна ссылка на источник: https://peter-murray.com/6-pochemu-konsaltingovye-firmy-dolzhny-ispolzovat-graf-znaniy.html