10月22日,由企业级可扩展图分析平台TigerGraph主办的“图创未来·无界精彩”Graph + AI 2021中国峰会于前日圆满落幕。本次峰会超3500人参与,较往届增长340%,与会者包括来自耐克、特斯拉、联合利华、西门子、通用电气等上百家财富500强企业的数据科学家、数据工程师、业务负责人和IT高管。TigerGraph今年也邀请到更多的客户及生态合作伙伴发表演讲,如Gartner、中国银联、浦发银行、联通、泰康在线、戴尔、汉堡王、联合健康集团等行业龙头企业。今年,除了中国的线上峰会,TigerGraph还在美国旧金山、纽约两地开办线下论坛,盛况空前。
作为图数据库和图分析领域的风向标级活动,Graph + AI峰会旨在利用图算法加速分析、人工智能和机器学习项目,致力于推动图在各行业中的应用发展。围绕图技术的突破及与人工智能结合的应用前景,中国线上峰会设置了四个会场,包括上午的主题演讲和下午的技术论坛、金融案例精选和综合案例精选三个分会场。
主会场:图技术腾飞 行业发展繁荣可期
图技术正在被应用在我们日常生活的方方面面,电网照明我们的城市、供应链优化后的货运交付、癌症研究和图技术辅助的药物发现等。TigerGraph的创始人兼CEO许昱博士在“图创未来新发展”主题演讲中表示:“对于数据科学家来说,机器学习和人工智能正在从根本上改变许多行业,而图特征、图神经网络和图算法增强了传统的机器学习和AI 解决方案。”
围绕图技术的商业价值、企业级可扩展性能及企业的应用成本,TigerGraph产品及创新副总裁郁介斌博士及机器学习/人工智能副总裁Victor Lee博士共同发表了“Graph + AI:未来的发展与走向“主题演讲,从Tigergraph角度剖析图技术的商业化普及路径,并发布了TigerGraph企业版3.2。
图:TigerGraph企业版3.2主要功能
新版本更新了40余项新功能,使TigerGraph成为第一个也是唯一一个在36TB上完成LDBC SNB-SF30K BI的供应商。
技术论坛:图技术赋能 AI行业实用性拐点将至
技术论坛上,TigerGraph的工程师们分别介绍了图结合人工智能及机器学习、TigerGraph可视化运维工具、GSQL及图算法,在医疗保健领域的实时建议、工业供应链中的决策分析及金融服务中可提供的行业领先业务价值,展示了TigerGraph在企业级应用中的可扩展性和卓越的数据库性能。
金融案例精选:图技术实战 金融业数据要素价值跃升
围绕图技术在金融领域的应用,TigerGraph邀请到了泰康在线、HPE、中国银联、浦发银行、览众科技、鹏图数据科技、中亦科技及凯捷Capgemini的负责人进行分享,展示了图技术在反欺诈、金融业务建模、数据资产管理的应用。
综合案例精选:图技术漫谈 各领域应用新格局渐呈
综合案例精选分论坛上,联通数字科技、汉堡王、Optum (UnitedHealth Group)、Intuit、点春科技、能运物流、Yeexun及Dell的工程师及专家就图技术在电信、零售、物流等行业的应用进行分享。
Gartner在2021年2月的研究中表明,2021年数据和分析创新将使用图技术的应用率仅为10%,并预测到2025年,这个比例将达到80%,图技术促进了整个企业的快速决策[1]。Graph+AI峰会开办两年来,图领域影响力不断扩大,开发者社区快速增长,周访问量同比增长340%,应用TigerGraph图技术的GitHub项目同比增长700%。未来,TigerGraph将持续致力图技术在各行各业的普及,推动图技术的大众化应用,与合作伙伴共建行业繁荣。
许昱博士表示:“我们正在走向实现愿景的路上,现在我们能看到越来越多的企业在用图数据库来改变世界,改善他们客户的体验,提高他们的效益。我希望未来图技术能成为开发者的首选工具,想解决什么问题时,第一选择就是图。而推动图技术的普及和大众化应用,这就是TigerGraph的愿景。”
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。