Zero
Conoscenza grafici sono hyped. Possiamo ufficialmente dire adesso, dal Gartner incluso conoscenza grafici nel 2018 hype cycle for emerging technologies. Anche se non abbiamo dovuto attendere per Gartner — di dichiarare la presente come “l’Anno del Grafico” è stato il nostro lettore per il 2018. Come chiunque attivi nel settore, vediamo la possibilità, così come la minaccia in questo: Con hype tratta confusione.
Conoscenza grafici sono reali. Essi sono stati per gli ultimi 20 anni almeno. Conoscenza grafici, nella loro definizione originale e incarnazione, sono stati circa la rappresentazione della conoscenza e ragionamento. Cose come vocabolari controllati, tassonomie, schemi e ontologie sono stati tutti parte di questo, costruito su di un Web Semantico fondazione di norme e di pratiche.
Inoltre: il Pianeta analytics 1.0: un laboratorio per il mondo
Così, che cosa è cambiato? Come mai gli piace di Airbnb, Amazon, Google, LinkedIn, Uber, e Zalando sport conoscenza grafici nel loro core business? Come mai Amazon e Microsoft si unì alla folla di grafico fornitori di database con i loro ultimi prodotti? E come si può fare questo lavoro?
Conoscenza grafici prima erano freschi
Conoscenza grafici suono fresco e tutti. Ma cosa sono esattamente? Può sembrare una ingenua domanda, ma in realtà sempre le definizioni di destra è come si costruisce un grafico conoscenza. Dalle tassonomie di ontologie, sostanzialmente, gli schemi e le regole di varia complessità: ecco come hanno fatto per anni.
RDF, lo standard utilizzato per codificare questi schemi, è riportato un grafico della struttura. Così, la chiamata di conoscenza codificata sulla cima di una struttura del grafico di una “knowledge graph” suoni naturali. E la gente che fa questo, i dati modellisti, sono stati chiamati gli ingegneri della conoscenza, o ontologists.
Anche: AWS Nettuno andando GA: il buono, Il brutto, il cattivo per grafico database utenti e fornitori
Ci possono essere molte applicazioni per queste conoscenze grafici — dalla catalogazione di elementi, di integrazione dei dati e la pubblicazione sul web di un complesso ragionamento. Per alcune di quelle più importanti, si può guardare schema.org, Airbnb, Amazon, Diffbot, Google, LinkedIn, Uber, e Zalando. Questo è il motivo per cui la gente conditi a conoscenza grafici ghigno presso l’hype.
Così, la conoscenza grafici sono in Hype cycle for emerging technologies ora. Non male per una tecnologia con più di 20 anni di storia. (Immagine: Gartner)
Come qualsiasi modellazione dei dati, questo è difficile e complicato lavoro. Si deve tener conto di molti soggetti e visioni del mondo, di gestire la provenienza e dello schema di drift, e così via. Aggiungere al mix di ragionamento, di web e di scala, e cose facilmente sfuggire di mano, che può spiegare perché fino a poco tempo, questo approccio non è stato il più popolare nel mondo reale.
Andando schema di meno, invece, è stato ed è ancora popolare. Andando schema può iniziare rapidamente; è più semplice e più flessibile, almeno fino a un certo punto. La semplicità del non utilizzo di uno schema può essere ingannevole. Perché, alla fine, qualunque sia il vostro dominio, lo schema di esistere. Schema-su-letto? Bene. Ma senza schema?
Anche: GraphQL per database: Un livello universale di accesso al database?
Si può conoscere il vostro schema abbastanza bene a priori. Può essere complessa, e può evolvere. Ma esiste. Così, ignorare o minimizzare schema non risolvere alcun problema, è solo a peggiorare le cose. Problemi in agguato, di costo e di tempo e denaro, perché saranno ostacolare gli sviluppatori e gli analisti che si cercherà di sviluppare applicazioni e ottenere un’analisi su un fuzzy blob di dati.
Il punto quindi non è da buttare schema di distanza, ma per rendere funzionale, flessibile e intercambiabile. RDF è abbastanza bravo in questo, come anche alla base di formati standard per lo scambio di dati, ad esempio JSON-LD. RDF può essere utilizzato anche per la leggerezza dello schema e schema di approcci e di integrazione dei dati.
Ottenere la conoscenza o grafici
Così, che cosa è con l’hype? Come può un 20-anno-vecchio tecnologie emergenti pendenza del famigerato hype cycle? Hype è vero, anche, come è il motivo per questo. È la stessa storia come l’ascesa del AI hype: non È tanto che le cose sono cambiate nell’approccio, più che i dati e potenza di calcolo ci sono ora per farlo funzionare su larga scala.
Plus, l’intelligenza artificiale aiuta. O, per essere più precisi, di tipo bottom-up, l’apprendimento automatico basato su intelligenza artificiale che ottiene l’hype in questi giorni. Conoscenza grafici sono essenzialmente AI, troppo. Un altro tipo. Non alcuni hyped-up-per-ora AI, ma simbolico, top-down, basato su regole di genere. Finora impopolare genere.
Non è che questo approccio non ha i suoi limiti. È difficile codificare le conoscenze sui complessi domini in modo funzionale, e di ragionare su di esso a scala. Così, l’apprendimento automatico modo di fare le cose, proprio come lo schema-less, diventato popolare. E per buone ragioni, troppo.
Conoscenza Grafici può essere difficile all’inizio, ma non rinunciare. La pratica rende perfetti.
Con i big data esplosione, e l’aumento di NoSQL, qualcos’altro accadendo, troppo. Strumenti e database per i non-RDF grafici apparsi sul mercato, e ha iniziato a trovare il successo. Questi grafici, l’etichetta di proprietà tipo (GPL), sono più semplici e meno dettagliato. Che sia per mancanza di schemi, o schema di base capacità rispetto alle RDF.
E in genere eseguire meglio per applicazioni operative, algoritmi di grafico o grafico di google analytics. Ultimamente, i grafici sono iniziando a essere utilizzato per l’apprendimento automatico, troppo. Queste sono tutte cose utilissime.
Algoritmi, analisi e apprendimento automatico in grado di fornire approfondimenti sui grafici, con alcuni casi di uso comune in fase di rilevamento di frodi o di raccomandazioni. Si potrebbe dire, pertanto, che tali tecniche e applicazioni di ottenere la conoscenza di grafici, bottom-up. RDF grafici invece venirne a conoscenza in grafici, top-down.
Così, sono bottom-up grafici conoscenza grafici, troppo?
Inoltre: lo Spostamento veloce senza rompere i dati: la Governance per la gestione del rischio in macchina di apprendimento e di là
Come un ingegnere della conoscenza direbbe, è una questione di semantica. È forte la tentazione di cavalcare il knowledge graph hype. Ma alla fine, la mancanza di chiarezza potrebbe dimostrare di piccolo servizio. Algoritmi di grafico, grafico analytics, e il grafico a base di apprendimento automatico e di intuizioni sono tutti buoni, precisi termini. E che non si escludono a vicenda con “tradizionali” conoscenza grafici.
Tutti importanti casi abbiamo accennato in precedenza, sono basate su una combinazione di approcci. Avere un knowledge graph e il suo popolamento uso di machine learning, per esempio, ha contribuito a costruire la più grande knowledge graph mai, almeno in termini di istanze, se non entità. Ed è quello che AI pionieri come DeepMind sono alla ricerca di.
Alcune cose vecchie, alcune cose nuove, e alcune cose in prestito per un grafico database
Come al solito, la scelta dell’approccio e strumento da utilizzare per il grafico dipende dal caso d’uso. Questo vale anche per grafico database, che ci sono stati un attento monitoraggio dell’evoluzione, con nuovi fornitori e la capacità di essere aggiunti rapidamente.
La scorsa settimana a Strati, sia il vincitore e il runner-up per i Più Dirompente di Avvio di premio sono stati graph database: TigerGraph e Memgraph. Nel caso In cui avete bisogno di più la prova di come i rapidi progressi nel campo, c’è l’hanno. Entrambe le startup sono non più di un paio di anni.
Per TigerGraph, che è venuto fuori di stealth nel settembre 2017, questo è stato un anno attivo. Oggi, TigerGraph è l’annuncio di una nuova versione. E ci sono alcune cose vecchie, alcune cose nuove, e alcune cose prese in prestito-anche se non abbiamo potuto davvero capire qualcosa di blu.
Top-down o bottom-up? Ottenere la conoscenza in o out dei grafici? (Immagine: Struttura Organizzativa Di Fisica)