Knowledge Graphs: Einführung und Geschäftsanwendungen
Dieser Blogpost bietet eine Einführung in Wissensgraphen und ihre möglichen Anwendungen in der Wirtschaft. Wir heben die Vorteile der Verwendung von Wissensgraphen für die Datenverwaltung und -analyse hervor und geben Beispiele dafür, wie sie in verschiedenen Branchen eingesetzt werden können.
Einführung
Definition: Ein Wissensgraph beschreibt Entitäten und die Beziehungen zwischen ihnen.
Wir haben zum Beispiel einen Wissensgraphen aller amerikanischen Filme erstellt, der mit den jeweiligen Schauspielern und Produzenten auf der Grundlage von Wikipedia verknüpft ist. Dies ist ein kleiner Teil dieses Graphen, der auf den Film "Das Domino-Prinzip" vergrößert ist:
Ein solcher Graph ist eine natürliche Art, verknüpfte Informationen darzustellen. Vor allem im Vergleich zu einer klassischen relationalen Datenbank mit Tabellen, die auf Tabellen verweisen, die auf Tabellen verweisen, die auf Tabellen verweisen, die - okay, Sie haben es verstanden.
Ein Wissensgraph ist nicht nur ein natürlicher Weg, um verknüpfte Informationen zu speichern. Ein weiterer grundlegender Unterschied zu relationalen Datenbanken besteht darin, dass bei einem Wissensgraphen die Verknüpfung zwischen Datenpunkten genauso wichtig ist wie der Datenpunkt selbst. Lassen Sie das einen Moment auf sich wirken, denn es ist eine sehr mächtige Idee.
Sie wissen jetzt also, dass ein Wissensdiagramm eigentlich nur eine Möglichkeit ist, Informationen zu strukturieren.
Der kritische Leser fragt nun: "Na und? Warum sollten wir unsere Informationen überhaupt strukturieren?" Gestatten Sie mir, die Kritiker in aller Bescheidenheit mit drei Anwendungsbeispielen von der Leistungsfähigkeit von Wissensgraphen zu überzeugen.
Wenn Sie sich eingehender mit dem "Wie" hinter den Anwendungsfällen befassen möchten, bleiben Sie auf jeden Fall an unserem kommenden Blogbeitrag über Wissensgraphen und maschinelles Lernen dran.
Business-Anwendungen
1. Aufdeckung von Finanzbetrug
Nehmen wir an, wir haben Milliarden von Finanztransaktionsdaten. Die meisten Transaktionen sind rechtmäßige Transaktionen zwischen rechtmäßigen Nutzern, aber einige dieser Transaktionen sind zwischen den betrügerischen Nutzern, die PFOS in unser Trinkwasser einbringen. Wir wissen auch über einige der Personen, ob sie betrügerisch oder rechtmäßig sind.
Ein Wissensdiagramm konzentriert sich auf die Verbindungen zwischen Datenpunkten. Und zufällig sind unsere Transaktionsdaten genau das: Verbindungen zwischen Datenpunkten. Wir haben also die Transaktionsdaten in einen Wissensgraphen eingefügt, in dem jede Person mit den Personen verknüpft ist, mit denen sie Transaktionen getätigt hat.
Als Nächstes können wir ein maschinelles Lernmodell trainieren, das lernt, jeden in unseren Daten als betrügerischen oder legitimen Nutzer zu klassifizieren:
2. Empfehlende Systeme
Wenn Sie im Internet einkaufen, stoßen Sie auf Sätze wie "Das könnte Sie auch interessieren" oder "Kunden, die Shampoo X gekauft haben, haben auch Baby Y gekauft" oder einfach "Für Sie empfohlen". Das sind Empfehlungssysteme.
Ein Empfehlungssystem listet nicht die Dinge auf, nach denen Sie gesucht haben, sondern andere Dinge, die Ihnen auch gefallen könnten. Mit anderen Worten: Das System muss wissen, was Sie wollen, bevor Sie es selbst wissen. Die Schaffung einer künstlichen Mutter ist ein schwieriges Problem. Und genau hier kommt der Wissensgraph ins Spiel.
Um beim Beispiel des elektronischen Handels zu bleiben, können wir alle Kunden in einen Wissensgraphen aufnehmen und sie mit den Artikeln verknüpfen, die sie in der Vergangenheit gekauft haben. Nun versuchen wir, fehlende Links im Wissensgraphen vorherzusagen. In diesem Fall ist jeder fehlende Link eine Empfehlung, die Sie jemandem geben können!
(Quelle: Wikimedia)
Es ist auch wichtig zu wissen, dass Empfehlungssysteme nicht nur Shampoos, sondern alles Mögliche empfehlen können. Sie können Stellenanzeigen, Netflix-Serien oder sogar Ihr nächstes Haus empfehlen. Der Himmel ist noch nicht einmal die Grenze.
3. Semantische Suche
Bei der semantischen Suche versuchen Suchmaschinen, Ihre Anfrage wirklich zu verstehen, anstatt nur Ergebnisse zu liefern, die Ihrer Anfrage wortwörtlich entsprechen.
Es gibt zwei parallele Ansätze für den Aufbau einer semantischen Suchmaschine. Der erste nutzt maschinelles Lernen, um die Sprache selbst zu verstehen. Wenn Sie z. B. nach "süßes kleines Schweinchen" suchen, wird das maschinelle Lernmodell verstehen, dass Sie auch an Ergebnissen für "Ferkelchen" interessiert sind, weil sie dasselbe bedeuten.
Der zweite Ansatz für die semantische Suche ist die Nutzung eines - Sie ahnen es - Wissensgraphen, um eine Anfrage zu verstehen.
In der folgenden Abbildung schlägt Google bei der Suche nach "Ferkel" verwandte Begriffe wie "winnie the pooh", "cute" und "disney" vor.
Der Wissensgraph von Google macht diese Vorschläge, weil er weiß, dass Ferkel auch einer von Winnies besten Freunden ist. (Zugegeben, ich habe keinen Zugang zum Quellcode der Google-Suche, falls also jemand Zugang hat, kann er mich hier gerne korrigieren).
Ein weiteres großartiges Beispiel ist, wie die Ingenieure von Uber Eats Wissensgraphen für die semantische Suche nutzen. Sie können ihren Blogbeitrag hier lesen.
Fazit
- Ein Wissensdiagramm ist eine Methode zur Strukturierung Ihrer Daten, die sich auf die Verbindungen zwischen Datenpunkten konzentriert.
Sie können Wissensgraphen verwenden, um:
- Betrug aufdecken wie die CIA
- Machen Sie Empfehlungen wie Amazon
- Bieten Sie ein Sucherlebnis wie Google
Und vieles, vieles mehr, was nicht in diesen 3-Minuten-Crashkurs passte, aber wir werden es in unserem nächsten Blogpost über Wissensgraphen behandeln.