Como una de las áreas importantes de investigación en el campo de la inteligencia artificial, la investigación y el desarrollo de Knowledge Graph completaron su primera mitad.

En 2012, el producto Google Knowledge Graph tomó su forma original, abriendo la era de los gráficos de conocimiento. Por ahora, Knowledge Graph se usa ampliamente en varios problemas de procesamiento del lenguaje natural, como la recuperación de información, preguntas y respuestas automáticas, análisis de decisiones, etc. En muchos campos como finanzas, comercio electrónico, medicina y asuntos gubernamentales.

Para construir un gráfico de conocimiento, hay cuatro pasos que hacer: extracción de datos, consolidación de datos, comprensión de datos y toma de decisiones basada en datos.

Por lo tanto, se forma un gráfico de conocimiento basado en los datos. El dato es uno y el algoritmo es cero. Los datos determinan el límite superior de la aplicación de la tecnología de gráficos de conocimiento, y los algoritmos permiten acercarse a este límite indefinidamente.

La eficiencia y la calidad de la construcción de un gráfico de conocimiento dependerá directamente de la calidad de los datos.

Y estos datos generalmente se reciben actualmente a través de muchos canales. Por ejemplo, los datos abiertos en la red se obtienen en forma de crowlers, como sitios de medios, sitios de gobiernos nacionales, etc. También hay datos obtenidos de la cooperación de organizaciones o la compra de derechos de autor, por ejemplo, Ciencia digital, la Academia China de Ingeniería, etc.

Estas diferentes fuentes de datos se combinarán y asociarán mediante algoritmos, que serán la base para construir un gráfico de conocimiento.

La pregunta surge. ¿Los algoritmos han alcanzado un nivel de desarrollo en el que puedan comprender completamente la lógica de los datos, el conocimiento o el sentido común en un área particular de la industria, organizada en una forma estructurada, y luego razonar y tomar decisiones basadas en ellos? Desafortunadamente, así como la experiencia y la cognición de cada persona tienen un "muro", recopilación automatizada de información de fuentes heterogéneas, e incluso uno no puede garantizar la corrección de los algoritmos actuales, aún no ha aprendido la complejidad completa del sentido común humano y en el cambio constante en la información mostrada, Sin mencionar eso, Para construir un mapa de conocimiento sobre la base de tales datos, tome decisiones.

Dadas las fallas obvias en la recopilación automatizada de información para construir gráficos de conocimiento, ¿qué tal tratar de construir gráficos de conocimiento con ayuda humana? La construcción manual permite no solo aprovechar los dividendos de la precipitación a largo plazo del conocimiento de expertos en diversos campos, sino también evitar la adopción de un algoritmo de decisiones que contradicen la moralidad o las emociones humanas. Esto incluso le permite rastrear la información para garantizar la calidad de los datos.

Resident Evil Reina Roja.

Hay muchas ventajas, pero hasta ahora la construcción manual del gráfico de conocimiento no se ha generalizado, ¿qué sucedió en el medio? Debido a que la construcción manual es relativamente lenta, a menudo no sigue el ritmo de la evolución de las ideas de información y es más costosa (cobarde).

¿La calidad y la eficiencia de construir un gráfico de conocimiento no aumentarán constantemente si el trabajo manual se combina con la automatización? Esto ya está inventado y hecho.

Si, en forma de un incentivo paso a paso antes de los exámenes de ingreso a la universidad y la universidad, un gran número de profesores y profesores, estudiantes actuales/graduados y miembros del público de la universidad y la universidad para evaluar colegios y universidades, luego identificar y eliminar expertos en educación y consejeros para solicitar el examen, Y luego integrar y empaquetar información usando algoritmos y transferirla a organizaciones de asesoramiento de solicitantes, oficinas de admisiones universitarias y departamentos de educación para formar un gráfico de conocimiento, luego será posible formar un gráfico de conocimiento para los solicitantes en todo el país. Consejos de confianza sobre la admisión, eliminando la pérdida de talento debido a una diferencia en la información.

Esto es exactamente lo que Epik Protocol está tratando de hacer. Es una plataforma de colaboración con gráficos de conocimiento basados en la tecnología blockchain. A través de incentivos, organiza a usuarios de todo el mundo para trabajar en colaboración para clasificar el conocimiento en varios campos en un gráfico de conocimiento que se almacena permanentemente en forma distribuida, proporcionando un flujo constante de datos de alta calidad para los modelos de IA de lenguaje existentes, lo que contribuye a la aplicación de los gráficos de conocimiento en la fabricación y la vida.

Hay tres roles principales en el sistema de protocolo MK: los cazadores de bondades pueden recopilar libremente tareas en varios dominios de conocimiento y enviarlas a aceptación; Los expertos de dominio son responsables de desmontar y aceptar tareas profesionales y descargar datos a los mineros de conocimiento; Los mineros de conocimiento pueden ejercer el poder de gestión y participar en la selección y votación de expertos de dominio para mantener un desarrollo benigno del ecosistema. Comenzando con la producción de datos, su aceptación y terminando con la selección de expertos especializados, se ha formado un conjunto de ciclos cerrados efectivos de gestión de producción.

Además, el aburrido proceso de verificación de datos se refleja de manera innovadora en la forma de un juego: al participar en la identificación y la verificación de datos, los cazadores de recompensas podrán recibir una recompensa adecuada. Y no te preocupes de que la complejidad del juego sea demasiado alta, porque hay expertos que han hecho un buen trabajo dividiendo la complejidad. Durante el juego, es necesario completar el procesamiento manual de datos, mientras aumenta su nivel y recibe premios, el acuerdo Mingcheng en esta forma está diseñado para atraer a más cazadores de recompensas a participar en él para compensar la falta de eficiencia y calidad de construcción manual del gráfico de conocimiento.

¿Dónde hacer los datos ya filtrados y procesados? La tecnología Blockchain juega en su fuerza. Para satisfacer la demanda de almacenamiento ordenado de datos en dominios específicos, el protocolo Minnow tiene requisitos claros de calidad de datos y su almacenamiento es completamente gratuito. Recolectan pequeñas copias organizadas de los archivos de registro del gráfico de conocimiento en cada dominio y luego sintetizan regularmente pequeñas copias de los archivos de registro en cada dominio en grandes archivos de instantáneas y los cargan en Filecoin, el mercado abierto para el almacenamiento distribuido, Que juega con los beneficios del almacenamiento en frío de archivos grandes en Filecoin. mientras continúa proporcionando datos confiables.

Los mineros del conocimiento, como intermediarios en la carga de datos, son una parte esencial del sistema de protocolo MKI y, por supuesto, no volverán con las manos vacías. Dotaciones para el rendimiento y las reservas del fondo de conocimiento: estos son los ingresos de su trabajo.

Automatización manual: este método semiautomatizado para construir gráficos de conocimiento seguirá siendo el principal durante algún tiempo, especialmente en áreas como la salud, la seguridad y las finanzas, donde los requisitos para la calidad de los datos son altos y la precisión debe garantizarse mediante el análisis manual.

La investigación en el campo de la construcción de gráficos de conocimiento llegó a la segunda mitad. Una parte integral de esta dirección, así como parte de la competencia entre varias empresas y organizaciones, será la mejora de los medios para construir gráficos cerrados de conocimiento y simplificar el trabajo conjunto.

Cualquiera que se excuse en este campo tendrá la oportunidad de ser el primero en obtener un boleto en la era de Web 3,0.