【关系知识图谱】微软元老鲍勃·穆格利亚:关系知识图谱将改变商业

简介: 微软资深人士鲍勃·穆格利亚(Bob Muglia)表示,我们正处于知识图表的全新时代的开始,这与2013年现代数据堆栈的到来类似。

Bob Muglia表示,二十年来在数据库创新方面的工作将把E.F.Codd的关系演算引入知识图,他称之为“关系知识图”,从而彻底改变商业分析。

关系AI

鲍勃·穆格利亚有点像一个数据库诗人,能够讲述技术发展中的故事。

这就是周三上午,微软前高管、前Snowflake首席执行官穆格利亚在纽约知识图谱会议上发表主旨演讲时所做的。

他演讲的主题是“从现代数据堆栈到知识图”,以一种新的形式结合了大约50年的数据库技术。

基本情况是这样的:五家公司创建了现代数据分析平台,Snowflake、Amazon、Databricks、Google和Azure,但这些数据分析平台无法进行业务分析,最重要的是,它们代表了作为合规和治理基础的规则。

穆格利亚说:“业界知道这是一个问题。”。他说,这五个平台代表了“现代数据堆栈”,允许“新一代的这些非常、非常重要的数据应用程序得以构建”。“然而,”当我们审视现代数据堆栈,审视我们可以有效地做什么和不能有效地做哪些时,我想说,客户在这五个平台中面临的首要问题是治理。"

此外:以太网创建者梅特卡夫:Web3将具有各种“网络效应”

Muglia在微软经营SQL Server业务,在30年的数据库职业生涯中取得了其他成就,他举例说明了数据平台无法建模的业务规则。

“所以,如果你想执行一个查询,说‘嘿,告诉我Fred Jones在这个组织中可以访问的所有资源’,这是一个很难写的查询,”他说。“事实上,如果组织非常庞大和复杂,这是一个可能无法在任何现代SQL数据库上有效执行的查询。”

Muglia说,问题是基于结构化查询语言(SQL)的算法无法执行如此复杂的“递归”查询。

作为一种数据库技术的吟游诗人,Muglia经常用华丽的修辞来传达技术细节:Binary Join!二进制联接!二进制联接!

2022年知识图谱会议

穆格利亚说:“已经有很多代算法都是围绕着二进制一的思想创建的。”。“它们有两个表,键将这两个表连接在一起,然后得到一个结果集,查询优化器将获取并优化这些连接的顺序-二进制连接、二进制连接、二元连接!”

他说,弗雷德·琼斯(Fred Jones)的权限等递归问题“无法用这些算法有效地解决”

Muglia表示,与数据关系不同的业务关系的正确结构是知识图。

“什么是知识图表?”穆格利亚用修辞的方式问道。他为一个有时神秘的概念给出了自己的定义。知识图是一个数据库,它对业务概念、它们之间的关系以及相关的业务规则和约束进行建模

Muglia现在是初创公司Relational AI的董事会成员,他告诉观众,业务应用程序的未来将是建立在数据分析之上的知识图,但有一个转折点,即它们将使用关系演算,一直追溯到关系数据库先驱E.F.Codd。

“回到开头,”穆格利亚催促道。“关系技术的基本算法能力是什么?可以用它做什么?”

Muglia指出,有五个基于SQL的分析平台,但没有一个平台能够单独进行业务分析,而不是数据分析。

关系AI

“如果我们看看Codd在20世纪70年代创造的东西,这个定理说关系代数和关系查询在表达能力上是完全等价的-太有趣了!我一直知道这很有趣,现在我知道为什么了。”

Muglia表示,使用关系人工智能的技术,特别是创始人兼首席执行官Molham Aref开发的用于查询优化的技术,结合知识图,可以将相同的关系代数应用于业务概念的组织。

“如果我们转向关系知识图,我们现在就转向关系演算的基础,我们发布的关系演算语句是无序的,它们包含业务规则和约束。”

Muglia说,SQL不会消失,但它无法真正处理业务分析的查询。

关系AI

穆格利亚说,“从根本上重新定义我们如何使用关系代数”的工作已经进行了大约20年,但在2010年,随着阿雷夫的工作,以及在众多大学和公司内部的工作,这项工作得到了发展,发表了数百篇关于这个主题的论文。

他说:“这是全世界研究界之间令人难以置信的合作努力。”。“物化在他们执行的物化内部以一种基本的方式使用它。LinkedIn通过他们使用的称为Liquid的图形数据库采用了这一点。”

关系知识图引入了一种称为Rel的新语言,尽管Muglia说,“SQL仍然很重要”,“SQL不会消失”,因为它是关系知识图新世界的一种入口。

“我甚至可以说,SQL最好的日子还在后头。”

Muglia在谈到关系知识图时表示:“从软件开发的角度来看,他预见到了惊人的、惊人的潜力,所有的事情都来自于此。”。“随着技术的成熟——我想重点关注的是,它还没有成熟——但随着技术的发展,我们将看到我们可以用它做一些我们甚至做梦都想不到的事情。”

这包括在商业分析中更多地使用机器学习,正如Relational AI这个名字所暗示的那样。此外,Muglia表示,业务模型将不再是“我们在白板上张贴的东西,工程师需要查看这些东西来编写一些Java代码。”

穆格利亚说:“模型变成了程序,因此业务分析师可以参与其中,并对数据结构进行更改。”

“想想成千上万了解这项业务的人参与进来——想想看!”

他说,目前,关系型人工智能的技术是“漂亮的白手套”。“我们有很多组织在做有限的试验,”该公司希望明年“开放自助服务”,“广泛的开发者测试版,让人们可以注册并开始使用该系统。”。

穆格利亚说:“我们正处于一个全新时代的开端。”。“这就像2013年、2014年的现代数据堆栈——这就是我们在生命周期中所处的位置。

“就像现代数据堆栈彻底改变了分析一样,我完全相信知识图,尤其是关系知识图,将改变企业的运行方式。”

知识图谱会议已进入第四个年头,2019年在哥伦比亚大学的一个舞厅里开始了一场小小的活动。今年,经过两年的纯虚拟会议,会议发展成为一场规模庞大的混合活动,在纽约市罗斯福岛的康奈尔理工学院校园举行了数十场专题讨论会和现场会议。该计划将持续到5月6日。

本文:https://architect.pub/microsoft-veteran-bob-muglia-relational-knowledge-graphs-will-transform-business

Tags

相关文章
|
5月前
|
存储 人工智能 安全
区块链和人工智能的关系以及经典案例
区块链和人工智能的关系以及经典案例
573 0
|
机器学习/深度学习 存储 人工智能
人工智能项目的十条建议—概念篇
随着各行各业希望通过提高自动化来改善工作流程,以及产品和服务的交付,对采用更先进的人工智能能力和项目的需求不断增长。 当然,只有在合适的前提下,深度学习和机器学习可以带来巨大的价值回报。在任何情况下,无论是从业务角度还是技术角度,人工智能项目都必须经历一些问题。为了让以后AI项目少踩坑,根据以往经验,我总结了“十条建议”,分为两篇:概念篇,指导篇,下文是概念篇的内容。
258 0
人工智能项目的十条建议—概念篇
|
机器学习/深度学习 人工智能 算法
ChatGPT:人工智能工具改变技术格局的背后力量及其不太为人知的事实
ChatGPT:人工智能工具改变技术格局的背后力量及其不太为人知的事实
124 0
|
机器学习/深度学习 人工智能 达摩院
2442 个专业术语!人工智能术语库 AITD 更新至 3.1 版
2442 个专业术语!人工智能术语库 AITD 更新至 3.1 版
2000 0
|
存储 人工智能 自然语言处理
Logseq 获 410万美元融资!加速开源神经元知识管理系统增长,构建新世界双链知识图谱
Logseq 获 410万美元融资!加速开源神经元知识管理系统增长,构建新世界双链知识图谱
407 0
|
机器学习/深度学习 存储 人工智能
人工智能和大数据是什么?它们之间存在着怎样的关系呢?
在行业内,人工智能与大数据密不可分,可以将很多大数据的应用归结为人工智能,随着人工智能的快速应用及普及,大数据不断累积,深度学习及强化学习等算法不断优化,大数据技术将与人工智能技术更紧密地结合,具备对数据的理解、分析、发现和决策能力,从而能从数据中获取更准确、更深层次的知识......
1934 0
人工智能和大数据是什么?它们之间存在着怎样的关系呢?
|
机器学习/深度学习 人工智能 供应链
大流行是否改变了人工智能的地位,从“想要”到“必须”?
在一个受新冠肺炎及其后果影响的世界里,采用人工智能正在成为一种主流现实。越来越多的行业正在以前所未有的速度试验和适应人工智能,无论是健康、教育、零售还是制造业。
283 0
大流行是否改变了人工智能的地位,从“想要”到“必须”?
|
机器学习/深度学习 存储 人工智能
在商业中,如何与人工智能建立共生关系?
我们的日常生活和商业实践中,各种在线的设备、云计算和边缘计算以及各种API 将人工智能带入了实践。本文就来聊聊,如何在商业中与人工智能建立共生关系。
|
人工智能 搜索推荐 大数据
大数据和人工智能的关系,超全解析
大数据拥抱云计算 在PaaS层中一个复杂的通用应用就是大数据平台。大数据是如何一步一步融入云计算的呢? 1数据不大也包含智慧 一开始这个大数据并不大。原来才有多少数据?现在大家都去看电子书,上网看新闻了,在我们80后小时候,信息量没有那么大,也就看看书、看看报,一个星期的报纸加起来才有多少字?如果你不在一个大城市,一个普通的学校的图书馆加起来也没几个书架,是后来随着信息化的到来,信息才会越来越多。
1923 0
|
机器学习/深度学习 人工智能 算法
改变你对世界看法的五大计算机视觉技术
本文主要介绍计算机视觉中主要的五大技术,分别为图像分类、目标检测、目标跟踪、语义分割以及物体分割。针对每项技术都给出了基本概念及相应的典型方法,简单通俗、适合阅读。
4492 0