Naukowcy opracowali metodę, która pozwala na efektywne przetwarzanie niepewności w grafach wiedzy zawierających miliardowe ilości faktów. Dotychczasowe podejścia miały problem ze skalowaniem - wraz ze wzrostem rozmiaru grafu, czas obliczeń rósł wykładniczo, a wymagania pamięciowe stawały się niemożliwe do spełnienia. Nowe rozwiązanie zmienia tę sytuację, umożliwiając systemom AI pracę z danymi, które nie są w stu procentach pewne czy kompletne.
Grafy wiedzy to struktury przechowujące miliardy połączeń między bytami - osobami, miejscami, koncepcjami. Każdy z tych faktów może mieć przypisane różne stopnie pewności. Problem polegał na tym, że złożoność obliczeń dotyczących wnioskowania i propagacji tej niepewności rosła wraz z skalą danych. Nowa metoda zmienia podejście matematyczne, dzięki czemu można pracować z dużo większymi grafami bez drastycznego wzrostu zapotrzebowania obliczeniowego. To ma znaczenie praktyczne dla firm rozwijających systemy rekomendacyjne, semantic web czy narzędzia do automatycznego odkrywania wiedzy naukowej.
Zastosowania są szerokie. W e-commerce bardziej precyzyjne rozumienie związków między produktami, kategoriami i preferencjami użytkowników mogą poprawić jakość rekomendacji. W nauce grafy wiedzy zawierające hipotezy z różnymi poziomami pewności mogą wspomagać badaczy w szukaniu nowych powiązań. Dla systemów asystentów AI zdolność do pracy z niekompletną informacją i reprezentowania wątpliwości jest kluczowa dla budowania bardziej wiarygodnych i przydatnych rozwiązań.