虽然人工智能(AI)在过去的几年里取得了很大的进步，但我们很多人都记得90年代的AI冬天，那是由开发者夸张的承诺和最终用户不自然的期望造成的。现在，业内人士(如AI脸书负责人杰罗姆佩森蒂)预测，由于缺乏语义理解，AI将很快碰壁。
佩森蒂说：“深度学习和目前的AI，如果你真的诚实，有很多限制。”“我们离人类智能非常非常远，一些批评是有效的：它会传播人类偏见，不容易解释，没有常识，更多的是关于模式匹配，而不是鲁棒性。理解。”
其他计算机科学家认为，人工智能目前正面临“再现性危机”，因为许多复杂的机器学习算法都是“黑箱”，无法轻易复制。麦吉尔大学计算机科学教授Joelle Pineau指出，复制和解释AI模型的工作原理可以提供透明度，有助于未来的技术创新和研究工作，以及当算法取代人工决策来决定谁被监禁，谁被批准抵押贷款。
让我们看看如何避免另一个AI冬天。
从符号AI开始
无法解释和再现人工智能模型是我们需要克服的障碍，以使人工智能可靠和实用。这可以通过后退一步，再次看符号AI，然后将符号AI(经典知识表示、基于规则的系统、推理、图形搜索)与机器学习技术相结合，向前迈两步来实现。
符号AI通过使用本体和分类法为数据添加意义或语义。基于规则的系统是符号人工智能的主要技术。这些系统也非常依赖这些本体和分类法，因为它们有助于制定正确且有意义的if/then规则。使用规则和基于规则的系统的优势在于，它们提供一致和可重复的结果，但它们也极大地有助于获得可解释的结果。
消除数据孤岛
为了让AI实现当前的预期，IT还需要消除整个IT系统中的查询孤岛，发布复杂的聚合查询，并自动实施模式和数据验证措施，以获得准确的分析结果。
用于组装机器学习模型的各种带注释的训练数据集的刚性要求能够跨数据库查询或为此目的快速集成不同的源。图的语义数据库通过基于标准的方法支持统计人工智能的前提，其中图的每个节点和边都有一个唯一的、机器可读的全局标识符。
因此，组织可以将不同的数据库链接在一起，以查询整个数据库，同时组合各种常见用例的来源，例如预测个人的下一个健康问题或及时进行供应链管理。
这些联合查询不仅使思洛文化过时，而且确保数据始终与任何即将到来的技术相关并具有前瞻性。在人工智能和分析越来越需要实时操作的时代，组织根本没有时间在隔离的数据库之间重建架构和术语。
自动验证数据
模式的概念本质上与数据验证相关，数据验证对于信任查询结果进行分析非常重要。语义地图使用自然开发的数据模型、自描述模型和按需模型选项(如JSON、JSON-LD和SHACL)来标准化所有模型。
像SHACL这样的框架对于验证数据非常重要，通过保证数据形状的一致性来自动验证。现实是，如果没有明显的模式，在不编写过程代码的情况下，几乎不可能根据数据质量的这一基本方面来验证数据，根据任务的规模，这可能非常耗时。
人工智能时代的自动化迫在眉睫。手动生成用于数据验证措施的脚本可以像认知计算本身一样自动化和可重复，这只是浪费时间。
标准化词汇来总结查询
操作性AI所需的查询复杂度极高；然而，知识地图中词汇和分类的标准化支持顺序查询聚合，这在其他设置中很难重复。一旦组织将不同概念的单词及其含义标准化，他们不仅可以创建各种分类法，还可以将它们链接起来进行查询。
比如在医疗方面，可以查询所有患有某些疾病的患者，具体的治疗方法，未来三个月的移植情况，以及具体的药物。能够查询不同的分类法，将各种查询聚合到一个查询中，以获得特定的结果，这在一定程度上有助于这种复杂的即席查询。
在不久的将来，不需要跨数据库查询、自动数据验证和聚合查询功能的用例将会很少。人工智能将成为企业必不可少的要素，使用语义知识图谱的人会保持冷静。
标签：