Bilgi grafikleri, ‘eski tarz’ insan zekasının yapay zekayı iş ve teknoloji dünyası için faydalı kılmak için nasıl çalıştığını göstermenin bir yolu olabilir…

Bu röportajda şunları öğreniyoruz: Kris Payne, Teknoloji Çözümleri Direktörü, APAC, Neo4j, Yapay zeka halüsinasyonlarıyla mücadele etmek ve yapay zeka destekli uygulamaları daha iyi hale getirmek için bilgi grafiklerinin nasıl kullanılabileceği.

Bilgi grafikleri gerçek dünyadaki işletmeleri nasıl etkiler? Özellikle hangi sektörlerde en fazla etkiyi görüyorsunuz?

– Payne: Bilgi grafikleri, kuruluşların verileri anlama ve kullanma şeklini dönüştürerek, daha hızlı, daha etkili karar alma için anlamlı kalıpları ortaya çıkararak önemli iş değeri yaratır.

Geçmişte işletmeler büyük miktarda veriyi tek bir merkezi veritabanında depoluyorlardı. Veriler biriktikçe, potansiyel olarak milyonlarca kaydı incelemek zorunda kalan işletmelerin verilerini anlamlandırması zorlaşıyor. Ancak bilgi grafikleri, değerli içgörüleri ortaya çıkarmak için farklı veri noktaları arasında köprü oluşturur.

Örneğin, finansal hizmetlerde bilgi grafikleri, gizli dolandırıcılık ağlarını belirledikleri, yanlış pozitifleri azalttıkları ve işletmeleri mali kayıplardan korudukları dolandırıcılık tespitinde etkilidir. Perakendede müşteri davranışının 360 derecelik bir görünümünü sağlayarak işletmelerin deneyimleri kişiselleştirmesine, müşteri ihtiyaçlarını tahmin etmesine ve tüm temas noktalarında ilişkileri derinleştirmesine olanak tanır.

Turizmde bile bilgi grafikleri içerik oluşturmayı yeniden tanımladı. Örneğin Tourism Media, AWS’de Neo4j AuraDB’ye geçiş yaptıktan sonra üretkenlikte 8 kat artış elde ederek, daha önce tam bir hafta süren bir görev olan tek bir günde 300.000’den fazla şehir için özel seyahat içeriği oluşturmalarına olanak tanıdı. Bu otomatik içerik yalnızca SEO için optimize edilmekle kalmaz, aynı zamanda hem verimliliği hem de güvenilirliği artırır; bilgi grafiklerinin yüksek hacimli ihtiyaçları karşılamak için içerik oluşturmayı nasıl ölçeklendirdiğini gösteren basit ama etkili bir kullanım örneğidir.

Yapay zeka kullanımı ile bilgi grafikleri arasındaki ilişkinin gelişmesini nasıl görüyorsunuz?

– Payne: Gartner’ın 10 Mayıs 2024 tarihli ‘Grafik Analizi İçin En İyi Kullanım Durumlarını Keşfetme’ raporuna göre, yapay zeka ve makine öğrenimi ile ilgili alınan tüm sorguların %50’sinden fazlası bilgi grafikleriyle ilgiliydi; bu da yapay zeka ile grafik teknolojisi arasında giderek daha iç içe geçen bir ilişkiyi gösteriyor.

En umut verici gelişmelerden biri, bilgi grafiklerinin yapay zeka halüsinasyonları sorununu nasıl ele aldığıdır. aracılığıyla GrafikRAG (Geri Alma-Artırılmış Nesil) yaklaşımla kuruluşlar yapay zeka modellerini gerçek bilgilere dayandırabilirler. Bu, yapay zeka yanıtları oluşturmak için kullanmadan önce bilgi grafiğinden ilgili bilgilerin alınmasıyla çalışır ve yapay zeka çıktılarının güvenilirliğini ve doğruluğunu önemli ölçüde artırır.

Üstelik yapay zeka kullanımına ilişkin düzenleyici ortam gelişmeye devam ettikçe bilgi grafikleri uyumluluk ve şeffaflığın sağlanmasında hayati bir rol oynayacak. Daha sıkı düzenlemelerle kuruluşlar, yapay zeka modellerinin kullandığı bilgi kaynaklarını takip edebilmeleri konusunda artan baskıyla karşı karşıya kalıyor. Bilgi grafikleri, net veri kökeni ve izlenebilirlik sağlayarak birçok yapay zeka modelinin “kara kutu” niteliğini ele alır. Birbirine bağlı veri noktalarının tasviri, yapay zeka modellerini destekleyen veri sürecini etkili bir şekilde belgeliyor.

Veri altyapısını dönüştürme çabalarının bir parçası olarak grafik veritabanlarını benimsemek isteyen kuruluşlar için en iyi uygulamalardan bazıları nelerdir?

– Payne: Grafik veritabanlarını benimsemek, veri altyapılarını dönüştürmek isteyen kuruluşlar için, özellikle de birbirine bağlı verilerde hızlı, karmaşık sorgular gerektiren uygulamalar için güçlü bir hamle olabilir. Kuruluşlar, öneri motorları, sahtekarlık tespiti veya ağ analizi gibi grafik teknolojisinin gerçek değeri artıracağı açık kullanım örneklerini tanımlayarak başlamalıdır. Ölçeklenebilirlik, mevcut altyapıyla uyumluluk ve hibrit ortamlara yönelik destek gibi faktörlerin dikkatle dikkate alındığı doğru grafik veritabanı platformunu seçmek çok önemlidir.

Daha sonra, yönetimi kolay ve sorgulamayı hızlı kılmak için performansı basitlikle dengeleyen esnek bir veri modeli tasarlamak da aynı derecede önemlidir. Grafik veritabanlarının kendi sorgu dilleri olduğundan, ekipler ayrıca yeni standartlaştırılmış GQL dahil grafiğe özgü sorgu dillerini öğrenmeye ve derin veri geçişlerini verimli bir şekilde ele almak için sorguları optimize etmeye yatırım yapmalıdır.

Grafik veritabanlarını etkili bir şekilde benimsemek için kuruluşların temel verilerinin kalitesini artırmaları gerekir. Veriler genellikle silolarda bulunur; bu nedenle, bu verileri bir grafik veritabanında etkin kullanım için birleştirmek ve hazırlamak için zaman ve kaynak yatırımı yapmak önemlidir. İlişkileri bir bilgi grafiğinde haritalamak, bu silolar arasında köprü kurulmasına ve kuruluşların çeşitli veri kaynaklarından en iyi şekilde yararlanmasına yardımcı olabilir.

Bu en iyi uygulamalar uygulandığında kuruluşlar, veriye dayalı karar almayı geliştirmek, operasyonları optimize etmek ve sonuçta rekabet avantajı kazanmak için grafik veritabanlarını kullanabilir.

Neo4j, özellikle GenAI dağıtımlarında tekliflerini geliştirmek için diğer teknoloji sağlayıcıları ve ortaklarıyla nasıl işbirliği yapıyor?

– Payne: İşletmelerin GenAI uygulamalarını optimize etmelerine olanak sağlamak için Deloitte, Microsoft, Amazon Web Services, Docker, Langchain ve Ollama gibi önde gelen teknoloji sağlayıcılarıyla ortaklıklarımızı derinleştiriyoruz.

gibi veri işleme platformlarıyla işbirliğimiz Veri tuğlaları Gelişmiş analitik için bu platformlardan grafik yapılarına kesintisiz veri aktarımına olanak tanır. Bu, kuruluşların GenAI uygulamalarında karar almaya yönelik gerçek zamanlı bilgileri işlemesine ve analiz etmesine yardımcı olur.

Ayrıca bulut platformlarıyla yerel entegrasyonlar Google Bulut GenAI uygulamalarının geliştirilmesini ve dağıtımını kolaylaştırın. Geliştiricilerin PDF’ler, web sayfaları ve belgeler gibi yapılandırılmamış verilerden hızlı bir şekilde bilgi grafikleri oluşturmasına olanak tanıyarak, eklenen bağlamla yapay zeka çıktılarında veri doğruluğunu ve açıklanabilirliğini artırır. Her iki entegrasyon da, yapay zeka tarafından oluşturulan yanıtların doğruluğunu ve bağlamsal uygunluğunu artırmak için GraphRAG kullanımına olanak tanır.

İçimizdeki entegrasyon Snowflake Yapay Zeka Veri Bulutu ayrıca gizli kalıpları ve ilişkileri tespit etmek için bilgi grafiklerine uygulanan 65’ten fazla grafik algoritmasını da içerir. Ayrıca, bu algoritmalar veri çıkarma işlemine gerek kalmadan anında yürütülebilir, azaltılmış öğrenme eğrisiyle daha hızlı içgörüler elde edilebilir ve bu da GenAI modellerinin etkili optimizasyonuna olanak tanır