We're sunsetting PodQuest on 2025-07-28. Thank you for your support!
Export Podcast Subscriptions
GraphBI: Expanding Analytics to All Data Through the Combination of GenAI, Graph, & Visual Analytics // Paco Nathan & Weidong Yang // #310
2025/4/29
MLOps.community
D
Demetrios
P
Paco Nathan
W
Weidong Yang
Paco Nathan: 我认为自然语言的递归性是LLM能够捕捉到的一个细微之处，这在书面语言中很常见，但我们往往将其视为线性的。实际上，句子内部的引用构成了一个图，LLM能够识别这种自指性。
在与YHAW的Tom Smoker的讨论中，我们了解到他们如何利用本体论和模式递归地追溯信息。我非常欣赏Weidong Yang他们放松前期约束，然后让上下文传播的方法。东西方哲学的差异影响了我们对数据管理的看法，图和AI的结合可以将这两种方法结合起来。
在数据管理方面，我们有很长的历史是从西方角度出发，例如数据仓库，它侧重于事实，而忽略了上下文。然而，在处理新闻报道等数据时，我们事先并不知道领域是什么，因此放松这个约束可以让我们构建一个关系图。
图可以收集越来越多的抽象概念，低层次的连接有助于理解整体，高层次的则可以用于推理或组织其他数据。在金融调查中，图思维是一个四步过程：构建图，划分图，利用图算法，以及将其纳入工作流程。
图可以帮助我们识别未知因素，并通过可视化来探索数据。图的结构可以帮助我们发现数据质量问题，例如重复的社会安全号码。在处理安全问题时，我们可以通过可视化创建不同的访问控制。
图和表是同一枚硬币的两面，图本质上是一个巨大的稀疏矩阵。AI能够处理非结构化数据，并将其转换为计算机可以访问的结构化形式，而这种形式就是图。
在早期的AI中，A*和B*等算法以及规划系统都是用图来表达的。图思维的出现，可以帮助我们处理数据，并结合人类和AI技术。
图的可视化不是最终目标，而是将数据从捕获形式转换为呈现形式的工具。我们需要一个逐步的流程来转换数据，并支持大规模图数据的处理。
跨领域数据分析需要考虑领域差异，并找到跨领域的方法。
Weidong Yang: 我认为LLM改变了我们处理信息的方式，它更像人类一样理解信息，而不是像过去那样精确的机器。为了让LLM更好地工作，数据结构应该尽可能保留上下文信息和细微差别。
即使对文档进行匿名化处理，文档的结构本身也可能泄露敏感信息。本体论很重要，但需要明确其边界，并将其限制在特定领域内。
在探索性分析过程中，提出正确的问题至关重要，而图可以帮助我们发现需要提出的问题。图是一种极好的可视化媒介，可以帮助我们发现数据中的模式和缺失的联系。
图作为信息捕获媒介和图作为思维媒介是两件不同的事情。图数据比表格数据更灵活，更易于捕获信息并发现数据质量问题。
在处理大型图数据时，需要进行简化和抽象。我们可以通过不同层次的抽象和特定领域的细化来处理大型图数据。
图数据的访问控制应该在数据管理层实现。AI的发展推动了图数据处理技术的应用。
图的可视化不是最终目标，其目的是支持分析。我们需要一个逐步的流程来转换数据，并支持大规模图数据的处理。跨领域数据分析需要考虑领域差异，并找到跨领域的方法。
Demetrios: 我对Paco和Weidong关于数据匿名化方法的解释不太理解，希望他们能重新解释。我对他们关于如何更好地利用图作为工具的讨论印象深刻。在金融犯罪调查中，图思维是一个四步过程：构建图，划分图，利用图算法，以及将其纳入工作流程。图可以帮助我们识别未知因素，并通过可视化来探索数据。
Deep Dive
Shownotes Transcript