人工智能为什么认知系统应该将机器学习与语义技术相结合

假设您要构建一个有助于识别葡萄酒和奶酪搭配的应用程序。谁会表现最好?仅基于机器学习的应用程序，仅基于专家知识的应用程序，还是两者结合使用?

大多数机器学习算法都是为解决AI中一个众所周知的问题而开发的，这就是所谓的“知识获取瓶颈”。它涉及一个问题，即如何使主题专家(SME)能够与数据科学家一起以有效和可持续的方式与知识模型一起工作(另请参阅：分类法和本体论–知识建模的阴阳)。

机器学习算法从数据中学习，因此，成功的实现显然与数据质量和编码数据的语义(含义)所采用的方法密切相关。语义知识图有助于大幅提高数据质量。他们还将启动您的机器学习项目。Yanko Ivanov最近发表的一篇文章概括地说：“机器学习算法是一个小孩，他首先需要学习您的语言基础。”

在最近几个月中，我们观察到了市场趋势：各种组织已经基于机器学习实现了他们的第一个应用程序版本。在第二次迭代中，他们正在寻找可帮助他们解决以下三个问题的技术和方法：

• 机器学习算法通常没有获得足够的信号来“理解”数据的正确含义，例如消除歧义。精度低于预期。
• 认知平台通常需要敏感数据以从中学习，不应在云中对其进行处理。
• 中小企业的丰富经验和知识无法编码，如果不包含在算法中，则会被浪费掉

人工智能不仅仅是一种技术

面对“知识获取瓶颈”，这也意味着专家的知识被视为任何组织的重要资产。不应将这些黄金财富转移到云中，以免我们无法控制的某些机器对其进行处理。相反，关键是有效实施包括中小企业在内的各种技术和方法的良好结合。好的AI策略不仅要立即产生更好的结果，还在于我们如何建立人与机器之间的有效合作关系。

最新发布的IDC白皮书讨论了人工智能的社会技术方面，并深入探讨了问题的核心：“拥抱语义技术以提供认知解决方案可以使组织大大减少对开发人员和IT专业人士的依赖。语义数据管理已经到位，数据驱动的应用程序的采用将由领域专家和业务用户推动。”

以培养掌握人工智能理论与工程技术的专门人才为目标，学习机器学习的理论和方法、深度学习框架、工具与实践平台、自然语言处理技术、语音处理与识别技术、视觉智能处理技术、国际人工智能专业领域最前沿的理论方法，培养人工智能专业技能和素养，构建解决科研和实际工程问题的专业思维、专业方法和专业嗅觉。