Les applications étonnantes des réseaux de neurones graphiques

Les prouesses prédictives de l’intelligence artificielle sont largement saluées comme le sommet de l’intelligence artificielle statistique. Vanté pour sa capacité à améliorer tout, du service client aux opérations, ses nombreux réseaux de neurones, plusieurs conceptions et ses versions approfondies sont considérés comme une garantie commerciale pour tirer profit de l’information.

Mais selon le PDG de Franz, Jans Aasman , il y a juste un petit problème avec cette haute estime qui est par ailleurs précise : pour la plupart, cela « ne fonctionne que pour ce qu’ils appellent des ensembles de données euclidiens où vous pouvez simplement jeter un œil à la situation, en extraire une variété de points importants, tourner en un nombre dans un vecteur, et puis vous avez en fait supervisé en sachant et sans supervision sachant et tout ça. »

Approuvé, une généreuse portion d’informations commerciales euclidiennes et facilement vectorisées. Il existe une multitude d’informations multidimensionnelles non euclidiennes servant de catalyseur à des cas d’utilisation étonnants de la machine, tels que :

• Prévision de réseau : Analyse de tous les différents les relations entre les entités ou les occasions dans les réseaux sociaux complexes de bons amis et d’opposants donnent des prédictions incroyablement précises sur la façon dont une occasion (comme un client particulier achetant un certain article) affectera les participants du réseau. Cette intelligence peut réorganiser tout, des méthodes de marketing et de vente aux mandats réglementaires (connaître votre client, lutte contre le blanchiment d’argent, etc.), le traitement des soins de santé, l’application de la loi, etc.
• Classification des entités : La possibilité de classer les entités en fonction d’événements–comme une défaillance de pièce ou une défaillance du système pour les camions liés, par exemple–est critique pour l’entretien prédictif. Cette capacité a des connotations apparentes pour la gestion de flotte, la surveillance des équipements et d’autres applications du Web des objets.
• Vision du système informatique, traitement du langage naturel : Comprendre la multidimensionnalité des relations entre les mots les unes aux autres ou les images d’une scène transfigurent les implémentations normales des réseaux neuronaux pour la PNL ou la vision par ordinateur. Ce dernier prend en charge la génération de scènes dans laquelle, plutôt que des appareils observant une scène de voitures et de camions passant devant une bouche d’incendie avec un chien dormant à proximité, ces choses peuvent être décrites afin que la machine génère cette photo.

Chacun de ces cas d’utilisation s’articule autour de données à haute dimensionnalité avec des relations complexes entre des entités ou des nœuds à une échelle étonnante à laquelle « le fabricant régulier échoue », a noté Aasman. Néanmoins, ils sont idéaux pour les réseaux de neurones graphiques, qui se concentrent sur ces informations et sur d’autres publications d’informations à haute dimensionnalité.

Les réseaux de neurones graphiques accomplissent ces tâches car les méthodes graphiques se concentrent sur la distinction des relations entre les informations. Les relations dans les ensembles de données euclidiennes ne sont pas aussi compliquées que celles des données à haute dimensionnalité, étant donné que « tout ce qui se trouve sur une ligne droite ou une surface plane bidimensionnelle peut devenir un vecteur », a observé Aasman. Ces nombres ou vecteurs constituent la base de la production de fonctionnalités pour les cas d’utilisation normaux de découverte d’appareils.

Les exemples d’ensembles de données non euclidiens incluent des éléments tels que les nombreuses relations de plus de 100 systèmes d’avion entre eux, les liens entre un groupe de clients à 4 autres, et la myriade d’interdépendances des liens entre ces groupes supplémentaires. Ces informations ne sont pas facilement vectorisées et échappent à la capacité de l’apprentissage automatique sans diagramme des réseaux de neurones. « Chaque nombre dans le vecteur dépendrait vraiment d’autres parties du graphique, donc c’est trop compliqué », a commenté Aasman. « Lorsque les choses entrent dans des graphiques clairsemés et que vous avez des réseaux de choses, des réseaux de médicaments, de gènes et de molécules médicamenteuses, il devient en fait difficile de prévoir s’il manque un lien à un médicament particulier avec quelque chose d’autre. »

Lorsque le contexte entre les nœuds, les entités ou les événements est réellement important (comme dans le cas d’utilisation pharmaceutique référencé par Aasman ou toute autre application réseau complexe), les réseaux de neurones graphiques offrent une précision prédictive en comprenant les relations des données. Cette qualité se manifeste par trois méthodes principales, notamment :

• Prédiction des liens : Les réseaux de neurones graphiques sont aptes à anticiper les liens entre les nœuds pour comprendre facilement si les entités sont liées, comment, et quel effet cette relation aura sur les objectifs de l’entreprise. Cette idée est cruciale pour répondre à des questions telles que « des occasions spécifiques se produisent-elles plus fréquemment pour un patient, pour un avion ou dans un document texte, et puis-je vraiment prévoir le prochain événement », a révélé Aasman.
• Classification des entités : il est facile de classer les entités en fonction de leurs qualités. Les réseaux de neurones graphiques le font tout en tenant compte des liens entre les entités, ce qui entraîne de nouvelles classifications difficiles à réaliser sans graphiques. Cette application comprend l’apprentissage supervisé; anticiper les relations ne nécessite pas d’être observé en train d’apprendre.
• Groupes de graphiques : cette capacité montre combien de graphiques un graphique particulier contient et comment ils s’associent les uns aux autres. Ces informations topologiques sont basées sur un apprentissage sans supervision.

L’intégration de ces qualités avec des modèles de données avec des informations temporelles prévalentes (constituées du moment des occasions, c’est-à-dire lorsque les clients ont effectué des achats) génère des exemples convaincants de machine apprentissage. Cette approche peut mettre en évidence l’avenir médical d’un client en fonction de son passé et de toutes les occasions pertinentes qui le composent. « Vous pouvez dire que ce patient a été offert, me fournir la prochaine maladie et la prochaine possibilité que vous contractiez cette maladie afin de saisir l’opportunité », a fait remarquer Aasman. Les organisations peuvent faire la même chose pour le désabonnement des clients, l’échec des prêts, certains types d’escroqueries ou d’autres cas d’utilisation.

Les réseaux de neurones graphiques produisent des résultats transformationnels lorsque leur discernement relationnel inégalé se concentre sur les aspects de la PNL et de la vision du système informatique . Pour le premier, il prend en charge la classification topologique du texte, ce qui est fondamental pour une compréhension plus rapide et plus granulaire du langage composé. L’extraction d’entités conventionnelle peut identifier des termes cruciaux dans le texte. « Mais dans une phrase, les choses peuvent renvoyer à un mot précédent, à un mot plus tard », a expliqué Aasman. « L’extraction d’entités ne regarde pas du tout cela, mais un réseau de neurones de graphique examinera la structure de la phrase, alors vous pouvez faire beaucoup plus en ce qui concerne la compréhension. »

Cette approche a également sous-tend la compréhension de la photo, dans laquelle les réseaux de neurones graphiques comprennent la méthode liée à différentes images d’une même photo. Sans eux, l’intelligence artificielle peut simplement reconnaître de nombreux objets dans une scène. Avec eux, il peut obtenir comment ces choses se connectent ou s’associent les unes aux autres.  » [Réseau neuronal non graphique] ne fait pas cela « , a défini Aasman. « Pas comment toutes les choses importantes de la scène s’emboîtent. » Le couplage des réseaux de neurones graphiques avec des réseaux de neurones conventionnels peut décrire de manière très précise les images dans les scènes et, d’autre part, produire des scènes détaillées à partir de descriptions.

Les réseaux de neurones graphiques sont basés sur les réseaux de neurones qui ont été initialement créés dans le 20ième siècle. Les techniques graphiques permettent aux précédentes de s’affranchir des limitations de la vectorisation pour opérer sur des ensembles de données non euclidiennes de grande dimensionnalité. Les méthodes graphiques particulières (et les techniques adaptées aux graphiques) qui aident à cette entreprise consistent à :

• Index Jaccard : lorsque vous essayez de développer s’il faut ou non un lien qui manque entre un ensemble de nœuds ou un autre ensemble de nœuds, par exemple, l’index Jaccard peut éclairer ce choix en exposant « dans quelle mesure deux nœuds sont comparables dans un graphique », a déclaré Aasman.
• Attachement préférentiel : Cette idée analytique est une « stratégie qu’ils appellent le gagnant prend tout ce que vous pouvez prévoir si quelqu’un va obtenir quoi que ce soit ou si vous n’obtiendrez rien », a expliqué Aasman. Procédures d’attachement préférentiel à quel point les nœuds sont proches les uns des autres.
• Milieu : le point médian est un indicateur de l’importance des nœuds dans les réseaux, qui se rapporte à ceux qui se trouvent entre les autres nœuds.

Ces techniques graphiques et d’autres permettent aux réseaux de neurones graphiques de traiter des informations de haute dimensionnalité sans les vectoriser, élargissant ainsi l’utilité totale des applications de découverte de périphériques d’entreprise.

Le La différence essentielle dans l’application des réseaux de neurones graphiques aux cas d’utilisation ci-dessus et dans l’utilisation des techniques d’apprentissage typiques des fabricants est la complexité des relations évaluées – et l’ampleur de cette complexité. Aasman a expliqué un cas d’utilisation dans lequel des réseaux de neurones graphiques ont fait des prédictions précises sur les actions des dirigeants mondiaux sur la base d’entrées couvrant la majeure partie d’une année, plus de 20 000 entités et près d’un demi-million d’événements. Un tel aperçu est loin d’être scolastique lorsqu’il est déplacé vers le comportement des consommateurs, les soins de santé ou d’autres versions critiques. Par conséquent, cela pourrait avoir un impact sur les implémentations de l’informatique cognitive plus tôt que les entreprises ne le reconnaissent.