Aumenta inoltre l’accuratezza e la robustezza delle rappresentazioni dei grafici della conoscenza attraverso la combinazione di dati e conoscenze provenienti da più fonti. È ancora un’area di ricerca relativamente nuova e in evoluzione e c’è ancora molto da esplorare e comprendere sui suoi potenziali vantaggi e limiti.
La domanda dei consumatori si sta evolvendo. In precedenza, mentre si trattava solo di preferenze, non si trattava solo di “esperienze puntuali”. La pianificazione e la previsione di ciò di cui i consumatori hanno bisogno e vogliono sono in atto da molto tempo e sono stati fatti diversi progressi nel digitale, nelle scienze dei dati e nell’intelligenza artificiale applicata per risolvere i problemi nei silos. Sulla base dei problemi nel corso degli anni in termini di consulenza per i clienti, la sfida per costruire un modello robusto continua a persistere e la domanda frequente è cosa succederà e cosa ancora?
Non esiste una “taglia unica” e quindi gli algoritmi o le piattaforme “plug-n-play” non riescono a produrre i risultati desiderati poiché cercano tutti di “adattare il modello alla soluzione” piuttosto che “essere incentrati sui dati”. Nell’articolo seguente viene introdotto un metodo misto, che “impara con esperti di tempo e dominio” come sistema di apprendimento evolutivo che è la necessità del momento.
“Se le cose non vanno così bene, potresti voler immaginare qualcosa di meglio” – Prof John F Nash
Presentazione: sistema di apprendimento a grafo di conoscenza federato per le scienze dei consumatori
Il Federated Knowledge Graph Learning System (FKGLS) è un nuovo approccio alla pianificazione e previsione della domanda che sfrutta la potenza dei grafici della conoscenza quasi in tempo reale. FKGLS utilizza un’architettura federata, che gli consente di apprendere da più origini dati in modo distribuito.
Questo approccio è progettato per essere altamente spiegabile in modo che gli utenti possano capire perché il sistema ha fatto determinate previsioni. Ciò si ottiene attraverso l’uso di grafici della conoscenza, che forniscono una chiara rappresentazione delle relazioni tra i diversi elementi di dati. Il sistema fornisce inoltre agli utenti strumenti per manipolare il grafico della conoscenza in modo che possano indagare su come le modifiche agli input di dati influirebbero sulle proiezioni.
Come funziona il sistema di apprendimento Federated Knowledge Graph
Il Federated Knowledge Graph Learning System (FKGLS) è un sistema di apprendimento automatico che utilizza un approccio federato per la pianificazione e la previsione della domanda. Il sistema è progettato per fornire risultati spiegabili incorporando la conoscenza del dominio nel processo di apprendimento.
Il sistema FKGLS è costituito da cinque componenti principali:
Un server centrale che ospita il knowledge graph federato.
Un insieme di macchine distribuite che contengono ciascuna una copia locale del knowledge graph federato.
Un insieme di algoritmi che utilizzano Graph Sciences, attualmente un meccanismo evolutivo, vengono eseguiti su macchine distribuite per conoscere la domanda di prodotti e servizi.
L’architettura MLOps per Graph Sciences viene utilizzata per ridimensionare i dati come modello grafico per migliorare la pipeline, incluso il monitoraggio delle prestazioni dei dati rispetto alle prestazioni dei modelli nell’approccio del “modello più adatto”.
Un’interfaccia visiva convalida le previsioni e tiene traccia delle decisioni.
Il sistema FKGLS funziona come segue:
Il server centrale riceve dati da varie fonti, come sensori, social media e fornitori di dati finanziari.
Questi dati vengono utilizzati per aggiornare il knowledge graph federato ospitato sul server centrale.
Il knowledge graph federato aggiornato viene quindi inviato alle macchine distribuite.
Gli algoritmi contenuti nelle macchine distribuite utilizzano queste informazioni aggiornate per apprendere i modelli di domanda e le richieste future.
Queste previsioni vengono quindi inviate al server centrale, che può utilizzarle per prendere decisioni su prezzi, produzione e gestione dell’inventario.
Vantaggi del sistema di apprendimento basato su Knowledge Graph federato
L’apprendimento federato è un nuovo modo di addestrare modelli di apprendimento automatico che può offrire molti vantaggi rispetto all’approccio tradizionale. Uno dei principali vantaggi dell’apprendimento federato è che consente la formazione su dati distribuiti su diversi dispositivi o posizioni. Ciò può essere estremamente vantaggioso quando i dati sono isolati all’interno di un’organizzazione, in quanto può consentire l’addestramento dei modelli su un set di dati molto più grande di quanto sarebbe altrimenti possibile.
Un altro vantaggio dell’apprendimento federato è che può aiutare a migliorare la privacy e la sicurezza conservando i dati archiviati localmente sui dispositivi anziché centralmente sui server. Ciò significa che i dati sensibili non devono essere condivisi con organizzazioni di terze parti per addestrare i modelli, il che può contribuire a proteggerli da potenziali violazioni.
Infine, l’apprendimento federato può essere utilizzato anche per addestrare modelli su dispositivi edge, come gli smartphone. Ciò può essere estremamente vantaggioso per le applicazioni che devono essere eseguite in tempo reale, poiché il modello può essere aggiornato molto rapidamente senza dover inviare i dati a un server centrale.
L’FKGLS è stato utilizzato in una serie di applicazioni diverse, tra cui:
Previsione del comportamento dei consumatori in un panorama macroeconomico in evoluzione per l’aumento delle vendite: l’FKGLS può essere utilizzato per prevedere la probabilità di come i consumatori si comporteranno in futuro e personalizzare utilizzando fattori macroeconomici ed estrinseci. Questo non solo dirà cosa vendere, ma dirà “cosa non vendere date le condizioni attuali quasi in tempo reale”. Queste informazioni possono essere utilizzate per prendere decisioni migliori sullo sviluppo del prodotto, sul marketing e sulle strategie di vendita. L’FKGLS è uno strumento versatile che ha un’ampia gamma di potenziali applicazioni. È uno strumento importante per chiunque desideri prendere decisioni migliori sulla base dei dati.
Elevare l’esperienza utente nella vendita al dettaglio: abbiamo dati presi in considerazione da inventario, siti Web di e-commerce, informazioni sulla spedizione, logistica e approfondimenti geospaziali. Un sistema di e-commerce al dettaglio basato su knowledge graph può trasformare questi silos in un ambiente interconnesso di piattaforme di comunicazione e flussi di transazioni. Se fosse alimentato da un grafico della conoscenza, il sistema con cui interagiva, sia esso un chatbot o un sito Web, fornirebbe dati in tempo reale con tutte le informazioni necessarie.
Conclusione
Il Federated Knowledge Graph Learning System migliora la scalabilità e la privacy rispetto ai sistemi centralizzati. Aumenta inoltre l’accuratezza e la robustezza delle rappresentazioni dei grafici della conoscenza attraverso la combinazione di dati e conoscenze provenienti da più fonti. È ancora un’area di ricerca relativamente nuova e in evoluzione e c’è ancora molto da esplorare e comprendere sui suoi potenziali vantaggi e limiti. Tuttavia, fornisce preziose informazioni su questo campo importante e in rapida crescita e aiuta a far progredire la comprensione di come apprendere e utilizzare efficacemente i grafici della conoscenza in modo decentralizzato e collaborativo.
