混合 AI 是一种将机器学习与符号人工智能（symbolic AI）相结合的方法，前者使用统计模型来分析数据，后者基于语义并提供对意义的见解。通过利用每种技术的优势，可以实现比单独使用任何一种技术更强大的结果。

　　为什么需要混合 AI ？

　　让我们从一个例子开始。想象一下，一个机器学习系统被训练来识别有缺陷的产品。在它面前展示了成百上千个有缺陷和无缺陷的产品示例。然后，它可以准确地区分好产品和有缺陷的产品。这是机器学习有效的众多用例之一，在系统经过训练后，机器学习很可能更快、更优于人类的表现。但是，一旦确定了有缺陷的产品，接下来该怎么办呢？

　　此时，需要更多信息才能使此识别过程有用。例如，它来自什么产品线？失去这件产品的成本是什么？会涉及哪些供应商？谁拥有发现缺陷的过程？需要提供哪些内容来告知经理有关该问题的信息？机器学习数据需要情景化，以便您可以对其采取行动。这就需要符号AI，它代表知识并提供语义理解和推理，包括制定提取相关知识的规则。

　　最终目标是让计算机尽可能接近地模拟人脑的功能。计算机不像我们一样思考--人类的大脑比任何机器都要复杂、多才多艺、适应性强得多。大脑有40种不同的神经递质。一个神经元可以连接到其他一万个神经元。其复杂程度是难以想象的，目前的计算机还无法与之匹敌。但是混合AI提供了机器学习的可扩展性和符号AI的细微差别，使我们能够更紧密地模拟大脑的表现，并提供系统可以采取行动的信息。

　　信息架构与混合 AI 有何关系？

　　表示知识的一种方法是通过知识图谱，它可以显示不同数据元素之间的联系和其他关系。知识图谱给了我们一个参考点，这样我们就可以理解数据中的内容，尤其是非结构化数据，并得出有意义的见解。知识图谱形式的信息架构是符号AI的基础。

　　当信息结构化且元数据可用时，机器学习和符号 AI 的性能都更好。训练机器学习（监督学习）需要标记数据。符号 AI 需要有关语言的规则，以及结构化的数据。因此，当一个坚实的、经过深思熟虑的信息架构被开发出来作为基础时，混合AI作为一个整体将更加成功。

　　信息架构始终从识别业务问题和优先级用例开始。此外，您需要了解它影响谁以及它如何影响组织。制定基线指标，以便您了解随着信息架构实施的发展，未来是什么样子的。然后找出用户需要的内容、数据和信息，并围绕它们制定组织原则。为了自动化流程，您需要了解它。

　　信息架构如何改进数据发现？

　　数据发现是分析大量内容（包括研究文档、新闻报道、新闻稿和电子邮件）的过程，目的是了解业务环境、寻找新机会和降低风险。数据发现应附有战略计划，规定有效使用信息。智能分析揭示了企业、关键影响者、主题、事件和其他实体之间的关系。

　　分类是数据发现的构建基块，大多数组织需要表示组织不同方面的多个分类。这些可能包括产品、服务、流程、解决方案、客户、兴趣和内容类型。类别中的每个项目都有不同的属性；对于产品，它们可能包括描述、价格、品牌等。客户具有地理位置、购买历史记录和年龄等属性。

　　使用知识本体

　　定义不同分类法之间的关系会产生知识本体。例如，可能存在与不同产品相关的内容，或不同客户感兴趣的领域。这些关系允许企业做个性化之类的事情。本体由多个分类法以及它们之间的所有关系组成。

　　各行业的分类法差异很大。在生命科学中，分类法可以包括药物、品牌和仿制药、药物可以治疗的疾病以及作用机制。对于保险，分类法可能涵盖产品、服务和风险。对于工业分销商来说，它们可能是产品、行业和利益。知识领域由本体集合表示。

       

　　工业分销公司的本体如上图所示。它显示了分类法中的层次结构关系，也显示了反映哪些产品适合某些行业的关联关系，以及不同元素之间的概念关系。

　　使用知识图谱

　　知识图谱可以从分类法加本体加数据的组合中推导出来。首先，通过分类法描述域中的实体。然后展示分类法之间的关系以发展本体。最后，将数据添加到本体中，形成反映联系的知识图谱。知识图谱提供了多种浏览数据的方式，无论是结构化的还是非结构化的。（见下图）。

       

　　每个关键的业务流程都是围绕着语言进行的，但众所周知，语言对于计算机来说很难理解和响应。一个典型的例子是标题，"银行（bank）因洪水而关闭"。起初，它可能看起来是坏天气导致金融机构关闭。但在新闻报道中，关闭的是河岸（bank），而不是一家金融机构。

　　语言的模糊性是分析非结构化数据时最成问题的问题之一。它需要人类的大量干预，这使得语言驱动的过程难以扩展。一个特定的问题是理解意图，如果做得不好，这是满足客户要求的主要障碍。正是在这些情况下，混合AI可能非常有益。

　　从文本中提取实体可以检测欺诈、识别风险以及支持决策的其他重要信息。然而，系统必须有词汇来实现这一工作--如果不理解上下文，它就无法工作。

　　混合AI的优势

　　混合AI的实际应用之一是财务数据发现。目标是自动提取有关金融资产的信息，提高后台流程的效率并扩展数据创建。

　　在金融行业，无论是资产管理公司还是向金融机构提供信息的公司，都必须应对大量的文档（文章、报告和其他数字资产）。负责数据的相关人员需要处理大量的公司事件，包括合并、收购、申请破产，以及处理金融资产等。

　　监视这些事件的成本非常高，通常需要大量手动操作，并且受团队容量的限制。那么，这些企业如何应对如此大量的信息，以决定是否应该投资开发某种消费金融产品呢？

　　在一个案例研究中，顾问从各种服务中收集内容，并通过一个程序进行数据提取。通过自然语言平台自动提取关键参数。设计了一个用户界面，使主题专家可以在文件中导航，审查信息，并在一个协作的编写环境中进行评估。用户界面提供了对关键参数的无缝评估和数据库的输入。训练集被准备用于数据建模。这些模型是知识模型，因为它们将机器学习技术与主题专家的知识库相结合。

　　对比机器学习和符号AI，可以看出这两种方法的互补性。就其本质而言，机器学习需要大量的数据，但用户需要较少的主题专业知识，并且在数据丰富且任务简单的情况下是一个很好的选择。

　　符号 AI 需要的数据更少，计算要求更低，因此计算成本更低。但是，它需要人类的专业知识，并且特定领域专业知识的管理可能很复杂、耗时且昂贵。混合 AI 是一种双赢的局面，结合了两者的优点。