Граф знаний

Сегодня при создании телекоммуникационных систем для описания структуры сети используется множество моделей, каждая из которых характеризует лишь какой-либо один из аспектов сети. Однако на практике таких моделей оказывается недостаточно – их использование не позволяет комплексно оценивать состояние и поведение сети. Единая модель отсутствует. Графы знаний, построенные на основе онтологий, позволяют объединить отдельные модели в семантически связанный граф, что позволяет построить единую модель, содержащую данные о всех элементах сети и их взаимосвязях.

Все, что можно автоматизировать, должно быть автоматизировано с одновременной оптимизацией бизнес-процессов. Однако нишевая автоматизация не может стать основой интеграции, необходима гиперавтоматизация, получившая реальное подкрепление в виде онтологического подхода к описанию предметной области и графовых баз, как адекватный инструмент реализации масштабных проектов.

Интеллектуальные системы, работающие на основе алгоритмов машинного обучения, требуют больших объемов размеченных данных. Используя фактические сведения справочного характера, можно восполнять нехватку размеченных данных для обучения алгоритмов, причем для многих практических применений удобно организовывать справочные сведения в форме графа знаний. Объединение сведений из графов знаний с обучающими выборками позволяет существенно улучшить результативность работы алгоритмов машинного обучения, в том числе используемых в системах предоставления рекомендаций и анализа структуры сообществ. Графы знаний позволяют не только повысить точность работы таких систем, но и обеспечить объяснимость получаемых результатов.