Skrevet av George Anadiotis, medvirkende skribent 
George Anadiotis Bidragsforfatter
George har teknologi, data og media, og han er ikke redd for å bruke dem. Han kommer fra IT-bakgrunn og har hatt sjansen til å lære å spille mange instrumenter på veien til å bli et enmannsband og en orkestrator: å være en Gigaom-analytiker, tjene Fortune 500, startups og frivillige organisasjoner som konsulent, bygge og lede prosjekter, produkter og team i alle størrelser og fasonger, og bli involvert i prisvinnende forskning blant andre.
Full bio publisert i Big on Data 21. desember 2021 | Emne: Innovasjon
AI har mange manifestasjoner, alt fra maskinvare til applikasjoner i domener som helsetjenester, og fra futuristiske modeller til etikk
metamorworks — Shutterstock
I de siste par årenes ånd gjennomgår vi utviklingen i det vi har identifisert som de viktigste teknologidriverne for 2020-tallet i verden av databaser, dataadministrasjon og AI. Vi ser tilbake på 2021 og prøver å identifisere mønstre som vil forme 2022.
I dag fortsetter vi der vi startet med del én av gjennomgangen vår, for å dekke AI og kunnskapsgrafer.
< h2>AIs mange ansikter: maskinvare, kanten, MLOps, språkmodeller, fremtidige arkitekturer og etikk
Vi har vært ivrige tilhengere av grafer i alle former og størrelser – kunnskapsgrafer, grafdatabaser , grafanalyse, datavitenskap og AI — i lang tid. Så det er med blandet følelse vi rapporterer fra denne fronten. På den ene siden har vi ikke sett mye innovasjon, bortsett fra kanskje på ett område — graf nevrale nettverk. DeepMinds nevrale algoritmiske resonnement utnytter også GNN-er.
På den annen side er det ikke nødvendigvis en dårlig ting, av to grunner. For det første er det et stort opptak av teknologien i mainstream. Innen 2025 vil grafteknologier bli brukt i 80 % av data- og analyseinnovasjonene, opp fra 10 % i 2021, noe som gjør det lettere å ta beslutninger, spår Gartner. Rapportering om brukstilfeller fra slike som BMW, IKEA, Siemens Energy, Wells Fargo og UBS er ikke lenger nyheter, og det er bra. Ja, det er utfordringer knyttet til å bygge og vedlikeholde kunnskapsgrafer, men disse utfordringene er for det meste godt forstått.
Som vi har bemerket, er kunnskapsgrafer praktisk talt en 20 år gammel teknologi hvis tiden i rampelyset ser ut til å ha kommet. Måtene å bygge kunnskapsgrafer på er velkjente, samt utfordringene som ligger der. Det er ingen tilfeldighet at noen av de mest etterspurte ferdighetene og områdene for utvikling innen kunnskapsgrafer er rundt bruk av Natural Language Processing og visuelle grensesnitt for å bygge og vedlikeholde kunnskapsgrafer, samt måter å utvide fra enkeltbruker til flerbruker scenarier .
Og for å knytte denne samtalen til det bredere bildet av AI der den hører hjemme, ser det ut til at vanlige utfordringer er rundt operasjonalisering og å bygge riktig ekspertise i team, siden disse ferdighetene er svært etterspurt. Et annet viktig berøringspunkt er den hybride AI-retningen, som handler om å tilføre kunnskap i maskinlæring. Ledere som Intels Gadi Singer, LinkedIns Mike Dillinger og Hybrid Intelligence Centres Frank van Harmelen peker alle på viktigheten av kunnskapsorganisasjon i form av kunnskapsgrafer for fremtiden til AI.
Kunnskapsgrafer, grafdatabaser og grafisk AI konvergerer alle
AWS
Det er også et annet viktig kontaktpunkt mellom det bredere bildet i AI og kunnskapsgrafer: datamasker og datastrukturer. Du vil bli unnskyldt for å blande sammen disse to og mengden av datarelaterte termer som flyr rundt i disse dager. Forenklet sett, la oss bare si at et datastoff er ment å tjene som det tekniske underlaget for datanettverket begrepet desentralisert dataadministrasjon i organisasjoner. Det er faktisk en veldig god match for kunnskapsgrafteknologi, og noen få leverandører i det området har identifisert det og posisjonert seg deretter. Selv Informatica ser ut til å ha lagt merke til det.
Og hva med underlaget for å bygge kunnskapsgrafer, nemlig grafdatabaser? Ordet som ser ut til å karakterisere 2021 for grafdatabaser vil være “gå til markedet”. Det har vært et godt år for grafdatabaser. En grafdatabase — Neo4j — kom på topp 20 i DB Engines for første gang. Neo4j kunngjorde også den generelle tilgjengeligheten av sin Aura-administrerte skytjeneste og samlet inn en finansieringsrunde på 325 millioner dollar i Series F, den største i databasehistorien, og bringer verdsettelsen til over 2 milliarder dollar.
Grafdatabaseplassen så en rekke finansieringsrunder og en kommende børsnotering. TigerGraph oppnådde $105 mill. Series C, Katana Graph $ 28,5 M Series A, Memgraph $ 9,34 mill. startfinansiering og TerminusDB 3,6 mill. I mellomtiden begynte Bitnine, produsentene av Agens Graph, å jobbe med sin børsnotering – den første på markedet.
På den tekniske fronten vokser GraphQL fortsatt i bruk, enten som en del av et bredere økosystem eller som den sentrale komponenten i en dataarkitektur. Brobyggingen av de to grafdatabaseverdene når det gjelder modeller, RDF og LPG, er fortsatt et arbeid som pågår, men en som har sett en interessant utvikling i 2021.
Vi forventer ikke verdens bryllupsreise med grafer og grafdatabaser som varer evig, og etter hypen vil desillusjon uunngåelig følge på et tidspunkt. Men vi er sikre på at denne teknologien er grunnleggende og vil finne den sin plass til tross for hikke.
Kunstig intelligens
Arbeidsovervåking av fjernarbeid er på vei oppover. Virkningen kan være ødeleggende Piratjakt drone overvåker kriminalitet på åpent hav. Syv måter å gjøre den bredere virksomheten komfortabel med AI Hva er AI? Alt du trenger å vite om Artificial Intelligence Big Data Analytics | CXO | Digital transformasjon | Teknisk industri | Smarte byer | Sky