迈向决策式AI：提供反事实的建议

1   温习：三阶段练习流程本文援用地点：在上一期里，藉由< 用户、食材跟食谱> 三位一体的多档次关系来树立常识图(KG：Knowledge Graph)。其基于差别食材在种种食谱中的组合方法，构建食材与食材之间的关联图。而且经由过程用户的偏好跟汗青抉择，树立用户与食材的关系。而后整适用户、食材跟食谱的多档次信息，對用戶分群來愈加正确懂得用户的潛在需要，不只能供给特性化的食材推举，还能够取得食谱的創新倡议。這項創新才能，是透過反现实GCN 的引入让模子具有了摸索跟翻新的才能，不只能推举用户熟习的食材组合，还能领导用户实验全新的食谱搭配。其食谱的天生不只基于汗青数据，还基于潜伏的翻新可能性，讓餐飲業的推举体系从“需要驱动”到“发明驱动”的改变。這象征著，它既能满意用户确当前需要，还能摸索跟发明新的饮食休会，來进步用户的满足度。在上一期的文章裡，也詳細說明白。基於上述的KG 系统，能透过三个阶段( 或步调) 的流程，擅加应用AI 模子來摸索出潜伏性贯穿连接，即稱為：反事實連結(CF Link)。這三階段是：阶段-1：练习GCN获取原始的食材嵌入(Embedding)，经由过程食材图的关联进修每个食材的特点表现。阶段-2：基于用户爱好的食材关联，构建GCN，天生新的用户- 食材潜伏連結（CF Links）。阶段-3：应用反现实連結为目的，经由过程反现实GCN 天生新的食材嵌入，构建反现实的食材知識图。此中各阶段都有明白的义务，且各阶段之间的嵌入特点跟链接天生可能天然连接，充足表现出从基本推举到反现实剖析的流暢順序。經由這三阶段流程，可天生反现实食材组合的知識图，然後将所天生的反现实食材嵌入与原始食材嵌入停止对照，就能联合多阶段的GCN 模子跟反现实剖析来停止推举跟翻新。别的，还能够引入更多的食材属性（如养分身分、口胃特点等）来加强节点特点，从而进步嵌入的表白才能。斟酌差别的图卷积模子（如GAT、GraphSAGE 等），以捕捉更庞杂的食材、食譜與用戶之優質关联。2   进阶典范：进修专家的SOP方才谈到善用常识图来表白< 用户、食谱与食材>之关系，并善用GCN 模子来摸索潜伏性链接。接上去，就来持续扩展这些技巧：利用于表白厨师的任务流程( 即SOP)。比方，在< 食谱-- 食材> 的常识图中，能够增加一项边次序(Order) 的特点，它用来表现在烹调进程中该食材的增加次序，来表白餐饮年夜厨师的烹煮流程常识。而后，就能够联合反现实嵌入(CF Embedding）来摸索翻新食谱的边次序，能够更正确地捕获到更公道的食材增加次序。经由过程优化次序特点，模子能够揣摸出新的食材增加流程，从而天生更具翻新性的食谱，还能推举更公道的烹调步调，可能带来更好的口感，晋升用户的烹调休会。当初请你来察看下述的典范，其步调如下：Step-1：树立GIN 模子，并开展练习比方，在后面的食谱文件里，还包括了食谱的制造流程(SOP) 的常识。比方：“拉面食谱”: [{ “name”: [1, “豚骨拉面”],“ingredients”: [“猪骨”, “酱油”, “年夜葱”, “鸡蛋”, “拉面”],“instructions”: “将猪骨煮沸，参加酱油跟年夜葱，煮至汤头浓烈，搭配拉面跟半熟蛋。”}这里指明白，这< 豚骨拉面> 食谱的制造次序(Order)是：于是，把上图里SOP 常识拿来练习GIN（Graph Isomorphism Networks）模子，并进入呆板进修流程。此时，可察看到进修的进程，GIN 会输出如下：很顺遂地实现练习GIN 模子了。Step-2：练习好了，GIN 停止推论AI的神奇之处，等于：它能从浩繁食谱的制程SOP数据中，进修各食材的先后次序关联，而后推论出翻新食谱的SOP。比方，Mike 接收AI 的推举，而决议在< 豚骨拉面> 食谱中，增加< 海苔> 食材。如下图：那么，增加之后的新食谱( 如上图)，其SOP 该怎样决议呢？此时，GCN 就能敏捷推论出新的SOP，而输出如下：于是，失掉了新食谱的SOP，如下图所示：除了制程SOP 之外，GIN 还能够从食谱中进修更多的常识，烹煮的时光长度等。3   活用GNN 摸索CF_Links， 优化企业决议从方才的典范中，你曾经熟习了常识图跟GNN 模子的组合搭配，来摸索< 用户、食谱与食材> 之间的潜伏关系。接着，就能施展它的特征，利用于其余贸易范畴，活用它来支撑企业高层的决议剖析跟倡议。因为企业高层经常面对庞杂的决议场景，此时GNN 跟反现实剖析能够供给强盛的因果推理跟决议优化。3.1 贸易决议的挑衅与Graph AI的机会当咱们面临疾速变化的市场情况、客户需要变更等，企业高层主管须要可能实时做出优质决议。此时，GNN特殊合适剖析企业数据中的关系跟因果关联，如供给链图谱、交际收集图、产物推举图等。此中的CF_Links是一种基于反现实剖析的贯穿连接推理技巧，可能实时激起人们的反现实思考。比方，充足思考< 假如这些关联不存在或变革决议，会产生什么影响跟成果呢？ > 等情境。3.2 活用AI摸索CF_Links，供给清楚决议根据CF_Links 是反现实推理的一局部，专一于图构造中的边或链接变更。比方：< 假如企业抉择中止与某供货商的配合，团体营业会遭到怎么的影响？ >。此时，GNN 可能捕获潜伏的关系性跟因果关联，辅助咱们懂得常识图中的潜伏性贯穿连接对猜测成果的影响。在很多贸易范畴里，都刻能够派上用处。包含：●   供给链优化：应用Graph AI 剖析供给链图谱，探究供给链效力跟危险的可能变更，来辅助企业高层在抉择供货商时做出更具前瞻性的决议。●   客户关联治理（CRM）：在交际收集图或主顾互动场所中，CF_Links 剖析能够模仿企业对特定客户的关联中止或增强，将对企业发生的可能影响。能无效辅助企业制订更优质的营销战略。●   危险治理：在金融财政范畴，CF_Links 剖析能辅助发明潜伏的讹诈行动，尤其是在庞杂的买卖收集中，企业高层能够依据这些剖析成果，采用更无效的风控战略。●   别的场所：应用GNN 剖析成果跟CF_Links 洞见，企业职员能够计划出一个可视化决议仪表板，辅助决议者疾速懂得要害指标跟可能的决议& 举动计划。而且供给给决议者破即检查反现实剖析的成果。4   停止语从Graph AI 的反现实推理延长到决议式AI(Decision-Making AI)，也让AI 从< 主动剖析> 迈向< 自动决议>，这是AI 开展的主要趋向之一。将能让企业或团体在主动化决议中融入人类专业常识，构成高效的人机合作，联袂制定最优质的决议。 　　申明：新浪网独家稿件，未经受权制止转载。 -->