一、Gartner:AI領(lǐng)域2018-2020年成熟度曲線介紹

近日，全球權(quán)威的技術(shù)研究和分析公司Gartner發(fā)布了2020人工智能技術(shù)成熟度曲線報告（Hype Cycle for Artificial Intelligence， 2020）。

人工智能領(lǐng)域到底是越來越強大了？還是依舊比較“智障”呢？

如果對比一下Gartner近三年的報告，就是一個比較有意思的事情了，有些技術(shù)逐漸落伍被淘汰了，有些技術(shù)依舊止步不前，也有些技術(shù)進步的速度非常之快。

東方林語先把2018-2020年的成熟度曲線列出來，考考大家的眼力。

1、2020年的人工智能技術(shù)成熟度曲線報告（Hype Cycle for Artificial Intelligence， 2020），如下圖：

2、2019年人工智能技術(shù)成熟度曲線報告（Hype Cycle for Artificial Intelligence， 2019），如下圖：

3、2018年的人工智能技術(shù)成熟度曲線報告（Hype Cycle for Artificial Intelligence， 2018），如下圖：

二、近年人工智能領(lǐng)域的亮點技術(shù)介紹

強化學(xué)習(xí)、生成對抗網(wǎng)絡(luò)（GANs），遷移學(xué)習(xí)，圖學(xué)習(xí)、自監(jiān)督學(xué)習(xí)、聯(lián)邦學(xué)習(xí)……

近幾年，人工智能領(lǐng)域，各種新技術(shù)層出不窮，讓人目不暇接，疲于應(yīng)對……

以深度學(xué)習(xí)領(lǐng)域為例，我們可以梳理一下這幾年的重大突破：

2012年：應(yīng)用AlexNet和Dropout 方法處理ImageNet；

2013年：使用深度強化學(xué)習(xí)玩轉(zhuǎn) Atari 游戲；

2014年：采用“注意力”的編碼器-解碼器網(wǎng)絡(luò)及Adam優(yōu)化器；

2014/2015年：生成對抗網(wǎng)絡(luò)（GAN）；

2015年：殘差網(wǎng)絡(luò)（ResNet）；

2017年：Transformer模型；

2018年：BERT和微調(diào)NLP模型；

2019/2020年及之后：BIG語言模型，GPT-3語言模型、自監(jiān)督學(xué)習(xí)……

2020年下半年，就有一項“出道即巔峰”的人工智能領(lǐng)域革命性突破技術(shù)——GPT-3語言模型。

這又是什么“黑科技”？

簡單解釋來說，這是OpenAI 高調(diào)推出了的一款具有 1750 億參數(shù)的自回歸語言模型。

GPT-3在人工智能領(lǐng)域掀起了又一陣革命。

從參數(shù)量上看，它比當時全球最大的深度學(xué)習(xí)模型 Turing NLP 大上十倍。

從功能上看，它可以答題、翻譯、寫文章，還帶有一些數(shù)學(xué)計算的能力。

AI大佬們談到GPT-3，是這么評價的：生命、宇宙和萬物的答案，就只是 4.398 萬億個參數(shù)而已。——多么瀟灑的回答呀。

看看下面這張圖，借助GPT模型，最左側(cè)是輸入的半張圖片，中間的四列是自動補全的圖片，最右側(cè)是原始圖片。

最令人震驚的是，GPT3的不用接受特定訓(xùn)練，就能夠完成這些任務(wù)。

結(jié)論是:用過的都說好。

科技進步，永無止境。

三、典型介紹之知識圖譜技術(shù)

對比2018-2020年的人工智能技術(shù)成熟度曲線報告，本文重點介紹一下知識圖譜技術(shù)，這項技術(shù)也是進步最快、場景價值得到廣泛驗證的技術(shù)之一。

基于該報告，我們可以先圍繞該技術(shù)做一下分析。

知識圖譜技術(shù)之所以被認可，因為其展現(xiàn)了更好地揭示其他非結(jié)構(gòu)化數(shù)據(jù)中的高階相關(guān)性的能力。

知識圖譜分為通用知識圖譜與行業(yè)知識圖譜。

知識圖譜的底層，使用了自然語言處理(NLP)和相關(guān)的文本分析技術(shù)，知識圖譜非常適合存儲從非結(jié)構(gòu)化資源分析中提取的數(shù)據(jù)。它們還能夠存儲結(jié)構(gòu)化數(shù)據(jù)，包括隱式提供結(jié)構(gòu)和內(nèi)容的元數(shù)據(jù)，編碼支持各種用例的處理的信息。

按照Gartner的建議，IT領(lǐng)導(dǎo)者應(yīng)將知識圖譜作為數(shù)據(jù)庫，存儲有關(guān)實體及其關(guān)系的數(shù)據(jù)，當數(shù)據(jù)有許多不同的來源和形式時，尤其如此。例如，內(nèi)容服務(wù)平臺中的文檔、數(shù)據(jù)源中的更新、視頻中的音頻或數(shù)據(jù)庫中的表格。

負責(zé)數(shù)據(jù)和分析的IT領(lǐng)導(dǎo)者必須將知識圖譜納入其數(shù)據(jù)和分析治理和管理的范圍，為防止數(shù)據(jù)孤島的延續(xù)，應(yīng)研究并建立多種知識圖譜的互操作方式。

Gartner指出，知識圖譜目前已應(yīng)用于如下領(lǐng)域：

1.數(shù)字化工作場所；例如，協(xié)作、共享和洞察力；

2.自動化；例如，從內(nèi)容到RPA的數(shù)據(jù)抽??；

3.支持機器學(xué)習(xí)；例如，增強訓(xùn)練數(shù)據(jù)；

4.數(shù)據(jù)分析；例如，增強分析，特別是在商業(yè)智能背景下的增強分析報告和網(wǎng)絡(luò)安全；

5.數(shù)字商務(wù)；例如，產(chǎn)品信息管理和建議；

6.數(shù)據(jù)管理；例如，元數(shù)據(jù)管理、數(shù)據(jù)目錄和數(shù)據(jù)結(jié)構(gòu)。

通用知識圖譜，是以百科類知識為主，強調(diào)知識的廣度，數(shù)據(jù)來源一般較為單一，比如我們常用的搜索引擎，就是通用知識圖譜。

行業(yè)知識圖譜是面向?qū)I(yè)領(lǐng)域的專有應(yīng)用，基于每個行業(yè)的知識來進行構(gòu)建（比如金融、電力、公安等）知識庫，以知識的深度為特性，數(shù)據(jù)來源則更為豐富。因此，行業(yè)知識圖譜，對于各垂直領(lǐng)域的細分場景，更能凸顯價值。

以金融知識圖譜來說，它就是一種用圖模型來描述知識和建模實體之間關(guān)聯(lián)關(guān)系的技術(shù)方法，旨在從金融機構(gòu)內(nèi)、金融機構(gòu)外數(shù)據(jù)中識別、發(fā)現(xiàn)和推斷企業(yè)、企業(yè)自然人、行業(yè)、事件、產(chǎn)品等實體與金融機構(gòu)業(yè)務(wù)之間的復(fù)雜關(guān)系，是實體關(guān)系的可計算模型。

一方面利用圖相關(guān)計算和挖掘技術(shù)，加強風(fēng)險管控、稽核審計 ，構(gòu)建企業(yè)、客戶及員工的對公、個人圖譜，全面記錄關(guān)系特征，搭建貸前、貸中、貸后等應(yīng)用場景，名單池分層分類管理，動態(tài)風(fēng)險預(yù)警監(jiān)測，實現(xiàn)基于知識圖譜技術(shù)的智能風(fēng)險管控。

另一方面，通過資金轉(zhuǎn)賬等關(guān)聯(lián)關(guān)系，實現(xiàn)以客找客，加強智能營銷線索推薦。有效提高復(fù)雜業(yè)務(wù)關(guān)系管理能力，利用大數(shù)據(jù)知識圖譜技術(shù)，快速發(fā)現(xiàn)營銷商機與潛在風(fēng)險。

下圖為Gartner列出的企業(yè)AI成熟度模型，可以作為參考，看看你們企業(yè)的AI成熟度處在哪個階段呢？

在行業(yè)知識圖譜方面，金融行業(yè)目前是應(yīng)用知識圖譜最多的行業(yè)。

根據(jù)愛分析的報告，也列出了金融領(lǐng)域的知識圖譜主要廠商及玩家名單，具體如下：