《人工智能与图技术》系列翻译文章【一】

本系列翻译文章原文链接地址【AI and Graph Technology: 4 Ways Graphs Add Context】

人工智能的概念已经存在了很长一段时间。一个很宽松的定义是人工智能是模仿人类智能来解决问题。通常人工智能方法的目标是做出预测；进行分类（增加标记标签）；或者是预测一个特定的值（例如预测在一个数字序列中的下一个值）。
从更广泛的意义上来讲，人工智能分为狭义和广义。狭义人工智能是聚焦地完成一个特定任务，例如图片识别。更通用的AI包括多任务规划的能力、语言理解能力、目标识别、以及学习和解决问题的能力。如今的人工智能解决方案大多属于狭义的人工智能范畴，但随着时间的推移人工智能适用于新事物的能力也在不断变强。
让人工智能应用程序更广泛应用的一种方法是为它们提供上下文，用相关的信息围绕着他们来解决手头的问题。
以自动驾驶汽车为例。教自动驾驶汽车在雨天行驶是困难的，因为有这么多的变化在下雨的时候(考虑晴天下雨，阴天，阳光从左边或右边照射过来，风夹杂着雨，雨雪混合等等)。
如果自动驾驶汽车的人工智能需要考虑每一个可能出现的情况，要训练它适应所有的情况是不可能的。但是为AI提供上下文相关的信息（下雨和夜晚，夜晚和温度），它就可能根据更多的上下文信息推断出下一步要采取的行动（比如减速或者打开车头灯）。
图技术连接数据并定义关系，通过增强人工智能的上下文，图技术使得开发复杂的人工智能应用存在实现的可能。

一、什么是人工智能

人工智能技术有三大类，每一类都以不同的方式解决问题。人工智能是一个综合术语，包括机器学习(ML)和深度学习(DL)的子集。

机器学习的“学习”部分意味着算法迭代优化目标函数，比如减少错误或损失。机器学习是动态的，当呈现更多的数据时，它能够修改自己。
人工智能是一种计算机程序，它已经学会以模仿人类决策的方式完成任务。注意点这并不需要实际的智能。然而，它确实为许多执行人类智能特征的任务敞开了大门。
人工智能是一个目标，机器学习本质上是一种实现它的方法。
机器学习使用算法通过特定的例子和逐步改进来学习，不需要显式编程。人工智能的“训练”包括向算法提供大量数据，使其能够学习如何处理这些信息。机器学习的“学习”部分意味着算法迭代优化目标函数，比如减少错误或损失。机器学习是动态的，当呈现更多的数据时，它能够修改自己。
深度学习是机器学习的一个子集，它使用多个层次来级联学习和层次抽象。深度学习的“深层”部分是指抽象的多个隐藏层。这些层可以支持特征分类，例如为水果分类添加形状，大小，气味。
由于人工智能的目标是像人们一样做出选择，它需要研究人们用来做决策的最重要的一类信息:上下文。人工智能需要上下文环境来模仿人类智能。

二、上下文对于人工智能的重要性

对于人类和人工智能来说，上下文对于决策是非常重要的。成年人每天做出数以万计的决定(一些人说大约35000)，大多数都取决于我们周围的环境或观点。如果我们在做旅行安排，我们的决定会因旅行是为了工作、娱乐还是与他人一起而有很大的不同。在语言中，意义在很大程度上取决于情况，以及谁使用一个短语和他们的语调。例如，一个人说“滚出去！”可能是友好地表示惊讶，或者要求某人离开房间。人类使用语境学习来找出在一个情况下什么是重要的，以及如何将其应用到新的环境中。人工智能要使决策更接近人类的方式，就需要结合大量的上下文。由于没有外围信息和相关信息，人工智能需要更详尽的培训、更多的规范性规则和更具体的应用。

三、图提供的四种上下文

图中至少有四个主要领域可以为AI提供上下文，我们将在本白皮书的其余部分中详细介绍。
1、首先是知识图谱，它为决策支持提供上下文(例如呼叫中心工作人员或辅助工程师)，并帮助确保答案适合于某种情况(例如，在雨天驾驶的自动驾驶车辆)。
2、其次，图形提供了更高的处理效率，因此图形加速学习使用图形来优化模型和加快过程。
3、第三，关联特征提取分析数据，识别数据中最具预测性的元素。基于数据中发现的强特性的预测模型提高了准确性。
4、第四，也是最后，图提供了一种方式，提供透明度的方式让人工智能作出决定。这一领域被称为人工智能可解释性。