图谱动态｜学苑周刊 NO.74

微软Tutel优化AI模型训练

微软本周宣布了Tutel，这是一个支持专家混合模型(MoE)开发的库——一种特殊类型的大规模AI模型。微软在一份声明中解释说，Tutel是开源的，并已集成到 Facebook 在 PyTorch 中的工具包之一fairseq中，旨在使开发人员能够“更轻松、更高效地执行MoE”。

事实上，MoE是少数几种被证明可以扩展到超过一万亿个参数的方法之一，为能够为计算机视觉、语音识别、自然语言处理和机器翻译系统等提供动力的模型铺平了道路。在机器学习中，参数是从历史训练数据中学习到的模型部分。一般来说，尤其是在语言领域，参数数量和复杂程度之间的相关性一直很好。

Tutel主要专注于MoE特定计算的优化。特别是，该库针对 Microsoft 新的 Azure NDm A100 v4 系列实例进行了优化，提供了 Nvidia A100 GPU 的滑动扩展。微软表示，Tutel 有一个“简洁”的界面，旨在使其易于集成到其他MoE解决方案中。另外，开发人员可以使用 Tutel接口从头开始将独立的MoE层合并到他们自己的 DNN 模型中。

https://t.hk.uy/a3Na

NICE和Google Cloud联手改善客户互动

位于新泽西州霍博肯的 NICE（代表 Neptune Intelligence Computer Engineering）上周宣布，它正在将其云原生、人工智能驱动的 CXone 客户体验平台与谷歌云联络中心人工智能（CCAI）连接起来，后者是一组API，用于联络中心用例的谷歌AI。这一组合旨在为企业提供更有效的方式来吸引和帮助客户浏览数字和语音接触点。

NICE CXone 营销副总裁 Chris Bauserman表示，CXone“使我们能够将客户查询与客户体验联系起来。大多数查询都是从 Google 搜索或移动应用程序开始的，它们可能涉及不同的自助服务尝试。他们可能涉及多次代理。因此，通过将所有内容放在一个协调层、一组选项中，并且能够在它们之间移动而无需客户重复自己或重新开始，这对于减少摩擦和保持用户体验是非常有效的。”

https://t.hk.uy/a3MZ

TigerGraph 与 AI Singapore 合作以加速AI ML的图数据库

TigerGraph将与AI Singapore (AISG) 合作建立国家图形数据库能力和人才库，使本地初创企业和公司更容易使用图形技术。TigerGraph 将为 AISG 的工程师和学徒提供世界上第一个分布式原生图数据库培训和认证，并共同开发行业最佳实践，以便在云端和边缘为新加坡的使用案例部署人工智能和ML模型。

该合作伙伴关系将通过项目，研讨会，认证和联合研发活动支持AISG的AI创新计划，如100 Experiments (100E)，AI Apprenticeship Programme (AIAP)®，Makerspace AI Bricks和AI Engineering Hub（AIEH）®。

https://t.hk.uy/a3MX

谷歌云的AI/ML堆栈为多伦多公司的 NLP 平台提供支持

谷歌云宣布与多伦多软件公司Cohere建立多年技术合作伙伴关系，其中谷歌云的人工智能 (AI) 和机器学习 (ML) 基础设施将为 Cohere 的自然语言处理 (NLP) 平台提供支持。

谷歌云表示，Cohere的许多产品将在云的张量处理单元（TPU）上开发和部署，TPU是谷歌为大规模ML优化的超级计算机，为翻译、照片、搜索、助手和Gmail等谷歌产品提供动力。这将使 Cohere 能够将高级大型语言模型 (LLM) 和 NLP 的访问范围扩大到更多的小型企业和大型企业。 

该技术允许客户构建能够理解、处理和生成语言的产品和服务，类似于人类使用 Cohere 的 NLP 模型进行自然交流的方式。此外，Cohere 解释说，只需很少的编码，客户就可以使用专有数据集微调其模型，并通过API将它们集成到他们的产品中。

合作组织表示，借助 Cohere 和 Google Cloud 的技术，他们希望帮助各种规模的企业轻松访问 NLP 技术——从数据分析和语义搜索，到语音助手和聊天机器人——以释放他们生成的数据的海量价值。 

https://t.hk.uy/a3Nc

—--| 会议讲座 |--—

Connected Data World 2021

CDW21 将于12月1日至3日在线上举行。

为数据添加上下文，将其转化为信息。这些转换的关键是连接和元数据。知识图谱、图谱数据科学和人工智能、图谱数据库和语义技术是支持这一过程的坚实基石。会议将邀请领导者和创新者提出可操作的见解、数据驱动的知识和创新的想法，分享他们使用知识图谱、图数据科学和人工智能、图数据库和语义技术实现的用例和突破方面的知识。

详情请访问

https://2021.connected-data.world/

K-CAP 2021（第十一届国际知识获取会议）

K-CAP 2021将于2021年12月2日至3日在线上举行。

如今，有效获取和使用信息是取得进步的关键推动因素。由于对基于知识的应用程序不断增长的需求和网络上前所未有的信息可用性，对知识捕获的研究至关重要。知识获取涉及从庞大而多样的在线资源中提取有用的知识，以及直接从人类专家那里获取知识。

第十一届知识获取国际会议旨在吸引来自人工智能不同领域的研究人员，包括知识表示、知识获取、智能用户界面、问题解决和推理、规划、代理、文本提取和机器学习、信息丰富和可视化，以及对网络基础设施感兴趣的研究人员，以促进数据的发布、检索、重用和集成。

详情请访问

https://www.k-cap.org/2021/

IJCKG 2021

IJCKG 2021将于2021年12月6日至8日在线上举行。

International Joint Conference on Knowledge Graphs（IJCKG 2021，与 ACM/SIGAI 合作）是一个关于知识图谱的优质学术论坛。IJCKG 2021 的使命是将知识图谱社区和其他相关领域的国际研究人员聚集在一起，展示他们的创新研究成果或知识图谱的新应用。IJCKG 是从国际语义技术联合会议 (JIST) 演变而来的：致力于在网络上传播有关语义网、知识图、关联数据和人工智能的研究成果。

详情请访问

https://language-semantic.org/ijckg2021/

本周推荐的论文是一篇被ELSEVIER收录的综述Knowledge graphs as tools for explainable machine learning: A survey，研究知识图谱对可解释机器学习的作用，并分析知识图谱作为这类系统的支持体系和背景知识的优缺点，作者来自荷兰阿姆斯特丹自由大学。

当前人工智能(包括机器学习和深度学习)系统的一个主要缺点是它们难以用人类可理解的方式解释它们的决定，可解释和可信度的缺乏阻止了这些系统的大规模应用。基于此，可解释机器学习的研究正成为一个活跃的领域，将符号化系统和非符号化系统融合是一个主要方向。

知识图谱以机器可读的方式提供领域背景知识，是许多智能决策系统的背后支撑，将结构化的知识图谱融入可解释系统中，有希望为机器学习方法提供更有意义、更深刻和更可信的解释。本文广泛地综述了将知识图谱融入可解释系统的工作，从基于规则的机器学习、图像识别、推荐系统、自然语言应用、预测任务几个应用领域分析现有的融合知识图谱的若干工作的优缺点，在文章最后讨论了知识图谱作为可解释系统的支撑和背景知识的优势和局限性，并提出了一些开放挑战。作者认为，可以通过将可解释人工智能和知识表示这两个社区结合起来，充分利用大规模知识图谱和现代学习方法来为模型生成更合理的解释。