发帖
雷达卡
数据质量： 语义丰富的数据是提高数据质量的基础，并为特征提取提供更多选择。这导致机器学习算法计算的预测和分类精度更高。
数据即服务： 基于 W3C 语义网标准的链接数据可以作为企业范围的数据平台，帮助以更具成本效益的方式为机器学习提供训练数据。可以从知识图或语义数据湖中提取高质量数据，而不是为每个应用程序或用例生成数据集。通过这种基于标准的方法，内部数据和外部数据也可以轻松链接，并可用作任何机器学习任务的丰富数据集。
结构化数据遇到文本：大多数机器学习算法都可以很好地处理文本或结构化数据，但这两种类型的数据很少结合起来作为一个整体。语义数据模型在使用 NLP 和文本挖掘方法时弥合了大多数使用的数据格式之间的差距，例如 XML、关系数据、CSV 或非结构化文本。这使我们能够跨异构数据源链接数据，以提供数据对象作为训练数据集，这些数据集同时由结构化数据和文本中的信息组成。
没有黑箱：与“像魔术一样工作”的人工智能技术形成鲜明对比，只有少数专家真正了解底层技术，语义人工智能寻求提供一种基础设施来克服人工智能系统开发人员和其他利益相关者之间的信息不对称，包括消费者和政策制定者。语义人工智能最终导致人工智能治理在三个层面上发挥作用：技术层面、道德层面以及社会和法律层面。
迈向自我优化机器：语义人工智能是下一代人工智能。机器学习可以帮助扩展知识图谱（例如，通过“基于语料库的本体学习”或通过基于“传播激活”的图映射），作为回报，知识图谱可以帮助改进 ML 算法（例如，通过“远程监督” '）。这种集成方法最终会导致系统在初始设置阶段之后像自我优化机器一样工作，同时对底层知识模型是透明的。图卷积网络（正在进行中）承诺提供新的见解。
| 相关帖子DA内容精选 |
京公网安备 11010802022788号
