'

Los grafos de conocimiento codifican información (" conocimiento ") como datos organizados en una red (" grafo ") de nodos y enlaces (" bordes ") en lugar de en tablas de filas y columnas. Los nodos contienen datos o sus etiquetas o metadatos; los bordes enlazan nodos, representando las relaciones entre ellos. Esto se puede representar con un tipo de lógica especial, la Lógica de Predicados de Primer Orden, que puede representar estas relaciones como secuencias de "triples", es decir, nodo-borde-nodo, o "Velázquez-pintó-Las Meninas, que pueden acomodar, a lo largo del ciclo de vida del grafo, esquemas de datos múltiples y variados sin la necesidad de rediseño. Una vez codificada, la información se puede recuperar o sintetizar en respuesta a cualquier clase de consulta, incluidas las más imprevistas.

La creciente necesidad de integrar contenido heterogéneo y distribuido, de interpretarlo y dotarle de contexto ha llevado a los grafos de conocimiento a una situación prominente. Los casos del Knowledge Graph de Google o Microsoft Graph son ejemplos de su creciente utilidad y popularidad. Los grafos de conocimiento son el medio para enriquecer los datos con datos relacionados, pero que faltan.

Resultan una solución ideal para almacenar datos extraídos del análisis de fuentes no estructuradas, como documentos, utilizando el procesamiento en lenguaje natural (PNL). 

También son capaces de almacenar datos estructurados, incluidos los metadatos que, de manera implícita, proporcionan estructura y contexto a la información. En definitiva, los grafos de conocimiento permiten almacenar datos, dotarlos de estructura y contexto a la par que ofrecen sistemas de interrogación, recuperación de la información, descubrimiento de conocimiento y análisis que los hacen imprescindibles en un gran número de casos de uso.

Mediante el análisis basado en grafos de conocimiento, se pueden descubrir y explotar de manera automática las relaciones orgánicas y dinámicas entre activos digitales, fuentes de datos, procesos, personas e interacciones. Un aspecto clave a este respecto es la extracción de entidades. Las entidades (personas, organizaciones, lugares, eventos, etc.) pueden identificarse a través de técnicas de procesamiento del lenguaje natural antes de su ingesta y posterior desambiguación. De este modo, los grafos de conocimiento acumulan silenciosamente "datos inteligentes", es decir, datos expresivos que los sistemas de AI apropiados pueden leer y "entender" fácilmente y cuya explotación ofrece resultados de alta calidad.

Áreas de Aplicación de la Inteligencia Artificial basada en Grafos de Conocimiento

Las organizaciones pueden esperar un valor significativo de los gráficos de conocimiento en muchas áreas de aplicación, destacando las siguientes:

  • - Colaboración / compartición / aprendizaje social : los datos interrelacionados son datos contextualizados, lo que ayuda a su descubrimiento y localización a través de conexiones implícitas e indirectas.
    • - Software social en el lugar de trabajo
    • - Sistemas de aprendizaje en la empresa
    • - Analytics de los sistemas de aprendizaje en la empresa
  • - Investigación y auditoría: con la capacidad de capturar y desambiguar entidades que se asignan a entidades en el mundo real, se pueden explorar las relaciones para identificar el fraude, los riesgos de la cadena de suministro o los patrones de colaboración.
  • - Análisis / informes: una vez estructurados en forma de un grafo de conocimiento, se pueden consultar datos no estructurados, por lo que se procesan previamente para su análisis.
  • - Administración de contenido empresarial: interoperabilidad y automatización - La lectura autónoma y la "comprensión" de los datos son compatibles con la integración y la operatividad de los datos para diferentes aplicaciones empresariales.
  • - Reutilización de datos / colaboración entre industrias: al estar vinculado conceptualmente, se combinan datos y metadatos, que pueden compartirse más fácilmente y, por lo tanto, fomentar la reutilización.
  • - Descubrimiento: Metadata Management Solutions; Enterprise search / Insight engines; Analytics
Áreas de Aplicación de la Inteligencia Artificial basada en Grafos de Conocimiento -- Áreas de aplicación

Gestión del conocimiento basada en Grafos de Conocimiento

Las organizaciones utilizan herramientas de gestión del conocimiento (KM) para crear, modificar y acceder a las bases de conocimiento de IT. Los productos se definen por su capacidad para federar, almacenar y acceder a información sobre TI. Un Grafo de Conocimiento es el mejor y más expresivo modo de crear, mantener, interrogar y explotar de diversos modos una Base de Conocimiento.

Gestión del conocimiento basada en Grafos de Conocimiento -- Gestión del conocimiento

La Gestión del Conocimiento ofrece un potencial, todavía pendiente de explotar, significativo para la mayor parte de las organizaciones. Es el modo de optimizar, impulsar eficiencias y lograr economías de escala en la explicitación y explotación de su conocimiento agregado. Hecho correctamente, puede mejorar en gran medida la eficacia del área de Infraestructura y en la de Operaciones y de los usuarios comerciales. Además, KM puede proporcionar un componente vital para permitir la automatización futura del conocimiento y su explotación en forma chatbots y de todo tipo de agentes de soporte virtual.

Las herramientas de gestión del conocimiento deben ser una parte integral de una estrategia de Infraestructura y Operaciones. Los mecanismos formales de la gestión del conocimiento son cruciales para garantizar que el contenido se revise, actualice y corrija de forma continua.

Las organizaciones pueden esperar un valor significativo de los grafos de conocimiento en muchas áreas, destacando las siguientes:

  • Metadata Management Solutions
  • Enterprise Content Management
  • Customer Relationship Management and Customer Experience: CRM and customer experience are business strategies that optimize profitability, operational efficiency, customer satisfaction and loyalty by implementing customercentric processes.
    • Communication
    • Web Content Management
    • Horizontal Portals

Smart Data para Analytics predictive

Los Sistemas Predictivos y de Detección de Tendencias y Futuros basados en el análisis de Datos Masivos Interpretados representan una forma de análisis avanzado que trata de responder a la pregunta "¿Qué es probable que suceda?". Se caracterizan por técnicas como el análisis de regresión, estadísticas multivariadas, coincidencia de patrones, modelado predictivo y pronóstico. Este conjunto de técnicas se enmarcan dentro del campo de la Inteligencia Artificial para análisis y definición de estrategias, un campo importante de la Inteligencia de Negocio. El objetivo es identificar estrategias, prácticas, tecnologías y productos que van a crear valor para el negocio en el futuro.

Impacto comercial: al comprender los posibles resultados futuros, las organizaciones pueden tomar mejores decisiones y anticipar amenazas y oportunidades, siendo proactivas en lugar de reactivas. Algunos casos de uso pueden ser la predicción de la demanda, el establecimiento dinámico de precios, el mantenimiento predictivo de equipos o la identificación de patrones y detección de fraudes.

Smart Data para Analytics predictive -- Analytics predictive