por Mohit Sagar y Kirana Aisyah
Los datos son cada vez más el núcleo de cualquier negocio u organización y son una materia prima fundamental para el análisis inteligente y la fuerza impulsora detrás de la transformación digital. La mayoría de las organizaciones manejan cantidades masivas de datos en varios formatos, tipos y en numerosos sistemas. Su desafío es convertir esos datos en conocimientos que sean útiles para la toma de decisiones complejas.
La tecnología gráfica se considera fundamental para la gestión y el análisis de datos, ya que potencia la colaboración de los usuarios y fomenta la democratización de los datos. Con una gran cantidad de datos, las organizaciones necesitan incorporar una capa más profunda para brindarles una ventaja competitiva, perspectivas y conocimientos. En la nueva normalidad, es vital explotar los datos y usarlos con confianza para la toma de decisiones complejas e inteligentes. Los gráficos de conocimiento de Neo4j pueden ayudar como una perspectiva de los datos disponibles, enriquecidos con semántica y revelando su compleja interconexión.
OpenGov Asia tuvo la oportunidad de hablar con la Dra. Maya Natarajan, directora sénior de Gráficos de conocimiento de Neo4j para obtener sus puntos de vista sobre cómo las organizaciones deben utilizar los gráficos de conocimiento para la toma de decisiones complejas.
Maya es responsable de la estrategia de comercialización de gráficos de conocimiento en Neo4j. Le apasiona unir diferentes tecnologías para resolver problemas complejos y defiende el uso de gráficos de conocimiento para brindar contexto a varios sistemas.
Ha posicionado tecnologías desde Blockchain hasta análisis predictivo y basado en el usuario, aprendizaje automático, aprendizaje profundo, búsqueda, BPM y más en una gran variedad de industrias, incluidas las ciencias biológicas, los servicios financieros, la cadena de suministro, la fabricación, etc. en varias empresas pequeñas y grandes. Maya comenzó su carrera en el área de biotecnología donde estuvo en I+D enfocándose en medicamentos cardiovasculares, y tiene cinco patentes a su nombre.
Por qué los gráficos de conocimiento son mejores que las herramientas de datos tradicionales
El lugar obvio para comenzar sería por qué las organizaciones deberían pasar de la representación y las herramientas de datos tradicionales a los gráficos de conocimiento para la toma de decisiones complejas.
Los volúmenes de datos aumentan constantemente: de aproximadamente 40-50 zettabytes en 2019 a aproximadamente 60 zettabytes en 2020 y aproximadamente 75 zettabytes en 2021. Maya explicó que a medida que crecen los volúmenes de datos, las organizaciones necesitan encontrar nuevas formas de usar la enorme cantidad de información para impulsar Valor de negocio. Los análisis tradicionales ya no son adecuados para operaciones y análisis comerciales complejos.
Las herramientas tradicionales basadas en bases de datos relacionales existen desde hace más de 40 años y las bases de datos relacionales son una de las herramientas de consulta más populares en las empresas. Los análisis tradicionales son adecuados para datos transaccionales y directos que encajan fácilmente en el formato de tablas y columnas de una base de datos relacional.
Por otro lado, la tecnología de gráficos se enfoca en las relaciones entre los datos y considera que la relación entre los datos es tan significativa como los datos mismos. En el artículo de OpenGov Asia con Nik Vora, vicepresidente de Asia-Pacífico, Neo4j explica que la tecnología de gráficos es importante porque puede extraer el valor inherente de los datos mismos. El propósito de la tecnología es almacenar información sin restringirla a un modelo predefinido.
La tecnología de gráficos es el “enfoque más obvio” para observar las conexiones, ya que el valor de las relaciones en sí mismo es el impulso subyacente de esta tecnología. Maya enfatiza que las relaciones entre los datos se pueden aprovechar para encontrar patrones conocidos y desconocidos en los datos que no se identifican o analizan a través de medios tradicionales. Lo que las relaciones aportan a la mesa es que agregan contexto dinámico a los datos.
Es importante, dice Maya cuando habla de un gráfico de conocimiento, que se defina primero. Un gráfico de conocimiento es una capa de conocimiento de datos interconectados enriquecidos con semántica. Un gráfico de conocimiento se enriquece a medida que se agregan nuevos datos. A través de una combinación de datos, gráficos y semántica (significado), las organizaciones obtienen un gráfico de conocimiento con un contexto profundo y dinámico.
Maya dio un ejemplo de la industria farmacéutica para ilustrar cómo funcionan los gráficos de conocimiento. Una compañía farmacéutica sabrá cómo comercializar medicamentos en un área terapéutica particular; el conocimiento de dominio que la compañía farmacéutica en particular tiene en esta área es muy específico y patentado.
Los gráficos de conocimiento tienen tres componentes: datos, gráfico y semántica. Las relaciones se almacenan junto con los datos en una base de datos de gráficos y son importantes porque proporcionan el primer nivel de contexto a los datos. En un gráfico de conocimiento, el conocimiento del dominio de la compañía farmacéutica se puede ver como su semántica y es clave ya que agrega una segunda capa de contexto a los datos. El contexto dinámico profundo hace que los gráficos de conocimiento sean la mejor opción para casos que requieren una toma de decisiones compleja, ya que el contexto es el requisito previo para tomar decisiones complejas.
Las industrias, desde la cadena de suministro hasta los servicios financieros, las ciencias de la vida y más, actualmente requieren una toma de decisiones compleja. Por lo tanto, los gráficos de conocimiento se han convertido en la opción más popular para diversos casos.
Beneficios únicos de los gráficos de conocimiento
Maya cree que los gráficos de conocimiento son inmensamente útiles para que las organizaciones resuelvan sus desafíos comerciales. Específicamente, las organizaciones deben mejorar su conjunto de herramientas y adoptar un gráfico de conocimiento de Neo4j, ya que tiene dos beneficios distintos que otras herramientas no poseen.
En primer lugar, Maya reitera que la semántica es uno de los componentes clave y las ventajas de los gráficos de conocimiento. La semántica se codifica junto con los datos en el propio gráfico. Así es como los gráficos de conocimiento llevan la inteligencia a los datos y mejoran significativamente su valor. Esencialmente, los gráficos de conocimiento aumentan el valor de los datos a través de la semántica al agregar más contexto.
El segundo beneficio es que los gráficos de conocimiento pueden mejorar las tecnologías existentes al proporcionar una mejor gestión de datos, mejores predicciones y mejores innovaciones. En parte porque los gráficos de conocimiento alimentan el aprendizaje automático y se pueden adoptar bien en una variedad de casos de uso.
Cómo Neo4j adapta soluciones específicas a diferentes desafíos comerciales
Los gráficos de conocimiento facilitan el proceso complejo porque agregan o imbuyen inteligencia a cada etapa de los datos. Sin embargo, cada organización tiene diferentes desafíos y contextos comerciales, incluidas sus estrategias digitales, clientes y resultados. Esto plantea la pregunta: ¿cómo adapta Neo4j su solución para generar valor para las circunstancias únicas de cada organización?
Maya explica que toda organización se identifica por el conocimiento de su dominio. Los gráficos de conocimiento toman en cuenta explícitamente la información del dominio en forma de semántica. Al utilizar gráficos de conocimiento, Neo4j adapta la solución para cada organización de acuerdo con su dominio de conocimiento.
Ella ilustra este punto al compartir el ejemplo de una gran compañía farmacéutica global, uno de los clientes de Neo4j, que usa gráficos de conocimiento para analizar los viajes de los pacientes. Un viaje del paciente se describe como una experiencia del paciente a lo largo de todo un episodio de atención, desde la admisión de los pacientes hasta su alta.
La gran compañía farmacéutica mundial reconoce que no hay dos viajes de pacientes exactamente iguales, pero quieren encontrar lugares donde puedan mejorar los resultados de los pacientes. Las enfermedades complejas se desarrollan a lo largo de los años, por lo que a la compañía le gustaría intervenir más rápido y antes durante el viaje de los pacientes para mejorar los resultados. Sienten que podrían hacer esto encontrando similitudes entre los pacientes.
Usando una combinación de un gráfico de conocimiento Neo4j, algoritmos gráficos y aprendizaje automático, esta gran compañía farmacéutica identificó arquetipos y patrones de viaje y los utilizó como puntos de contacto influyentes para intervenir en el momento más temprano en el viaje de un paciente para lograr el mayor impacto. En este caso, es un gráfico de conocimiento que les permitió personalizar esta solución.
A continuación se muestra la visualización de un solo paciente y el recorrido a través de la progresión de su enfermedad.
Cada punto azul representa un reclamo médico, cada punto rojo representa un diagnóstico y cada punto verde representa una receta. Al colocar estos datos de izquierda a derecha, se volvió real; estos datos se humanizaron y surgieron patrones. En este ejemplo, el punto verde (receta) va seguido de otra afección o diagnóstico, después de lo cual el médico pasó a una nueva receta en respuesta al diagnóstico que se produjo después de la primera receta.
Este tipo de patrones era exactamente lo que esta gran compañía farmacéutica estaba tratando de entender en los pacientes, cómo los médicos trataban a los pacientes y si sus productos ayudarían a estos pacientes. En muchos casos, produciría un mejor resultado para el paciente. Esta visualización individual se convirtió en un punto de anclaje; se convirtió en una forma muy diferente de analizar datos. El gráfico de conocimiento de Neo4j ayudó a facilitar estos análisis con bastante rapidez.
Combinando gráficos de conocimiento e inteligencia artificial
Maya está de acuerdo en que la combinación de gráficos de conocimiento e Inteligencia Artificial (IA) es una plataforma con esteroides. Las empresas utilizan cada vez más aplicaciones de IA para la toma de decisiones. Debido a la falta de información contextual, los sistemas de IA no han podido alcanzar todo su potencial como soluciones confiables para problemas complejos.
Aquí es donde entran los gráficos de conocimiento. Ofrecen una forma lógica de capturar relaciones de datos y transmitir su significado. Los gráficos de conocimiento incorporan inteligencia en los propios datos y ofrecen a la IA las herramientas para darle sentido a todo, para que sean más explicables, precisos y repetibles. EL FUTURO DE LA IA: Machine Learning and Knowledge Graphs es adecuado para organizaciones con visión de futuro que son muy conscientes del poder que representan sus datos y que entienden que su uso adecuado permite una toma de decisiones inteligente.
Recientemente, tanto los gráficos de conocimiento como la IA se han unido. La poderosa combinación de los dos ha estimulado el interés en el uso de ambas tecnologías. La IA/el aprendizaje automático se beneficia de los gráficos de conocimiento, ya que los gráficos de conocimiento brindan contexto de dos maneras diferentes: en primer lugar, los gráficos de conocimiento brindan contexto a los datos mediante la adición de semántica. En segundo lugar, las relaciones entre los datos proporcionan otro nivel de contexto.
Con los gráficos de conocimiento, los científicos de datos obtienen más datos en forma de relaciones, aprovechando los datos que ya tienen y aprovechando los datos de relaciones que descartaron anteriormente porque eran demasiado difíciles de procesar. Debido a que se basa en la tecnología de gráficos, un gráfico de conocimiento captura las relaciones para el análisis, por lo que los científicos de datos no solo tienen más datos, sino que también tienen más variedad de datos.
“En el aprendizaje automático, cuantos más datos tenga, mayor será la calidad de los datos. A mayor variedad de datos, mayor precisión”, enfatiza Maya.
Versátiles aplicaciones de casos de uso de Neo4j Knowledge Graphs
La NASA utiliza gráficos de conocimiento de Neo4j para resolver problemas en futuras misiones al espacio. Mientras trabajaban en una misión para enviar Orion, un transbordador espacial, al espacio, descubrieron que su sistema de enderezamiento no funcionaba correctamente. Sabiendo que Apollo usó un sistema de enderezamiento similar al de Orion, estaban seguros de que podrían usar el conocimiento de la misión Apollo para corregir este problema antes del lanzamiento de Orion.
La NASA implementó un gráfico de conocimiento para analizar millones de documentos, informes, datos de proyectos, lecciones aprendidas, investigaciones científicas, análisis médicos, datos geoespaciales y mucho más en todos los departamentos. Mediante el uso de un gráfico de conocimiento de Neo4j, encontraron una manera de corregir el sistema vertical en Orion. Sin el gráfico de conocimiento, el equipo habría pasado años probando diferentes diseños. Ahorraron dos años de trabajo y un millón de dólares del dinero de los contribuyentes.
Standard Chartered Bank en Singapur utiliza gráficos de conocimiento de Neo4j para la gestión de riesgos a fin de identificar proactivamente los riesgos de ciberseguridad para proteger al banco de las ciberamenazas. Dado que los ciberataques van en aumento, este es un caso de uso importante para el banco. Otros clientes de servicios financieros también utilizan gráficos de conocimiento por la misma razón.
Estos son proyectos muy diferentes que utilizan gráficos de conocimiento de Neo4j. La belleza de los gráficos de conocimiento es que se prestan bien a una variedad de áreas en todo el espectro de datos, desde la gestión de datos hasta el análisis de datos. Por lo tanto, cualquier organización de varias industrias puede adoptar los gráficos de conocimiento de Neo4j para obtener información procesable para la toma de decisiones complejas.
