Теория графов для бизнеса
Не так давно стали набирать популярность графовые нейронные сети. Более известными они стали в работах по синтезу химических молекул и анализе белков. Суть GNN (Graph Neural Network) в том, что изначально данные представлены в виде графа.
На самом деле, такое представление данных служит исключительно для визуального представления. Работать с такими данными в программировании крайне неудобно, но так проще воспринимать граф. Более того, графовые базы данных лучше вообще не применять для работы с графами и GNNs, но об этом потом.
В чем же отличие GNN от обычных нейронных сетей? С математической точки зрения разницы нет никакой, так как граф преобразуется в набор чисел и затем отправляется в обычную нейронную сеть. Графовая эта нейронная сеть потому, что вместо картинок, звука или текста обрабатывает граф.
Теперь немного теории. В графе есть узлы (node) и связи (link - ссылка на другой узел). Узел сам по себе ничем не ограничен. Он может быть базой данных, программой, функцией, текстом, роботом или станком на производстве. В общем, если обобщить, то это объект. Со связями все немного проще. Связи бывают направленные, строго указывают от какого к какому узлу она идет. И ненаправленными, без указания направления. Связь можно представить как ссылку с одной веб-страницы на другую. Кстати, Google основан на графах.
Существует два направления работы с графами. Первое - это машинное обучение на графах GML (Graph Machine Learning). Второе - графовые нейронные сети GNN. Как и обычное машинное обучение ML, GML служит для преобразования графа в понятный для компьютера (машины) вид. На уровне машинного обучения можно построить матрицу смежностей, с помощью которой машина "изучает граф". Например, можно узнать сколько связей между какими узлами существует в графе. Можно узнать какой узел содержит больше всего связей с другими узлами. А есть еще понятие центрального узла - убери его из графа и граф развалится. В общем, на этапе машинного обучения мы применяем алгоритмы и математику для изучения графа.
GNN, графовые нейронная сеть нужна для того чтобы не проводить исследования графа вручную. В качестве аналогии, GML это полуавтоматический метод исследования графа, тогда как GNN автоматизирует этот процесс.
Так в чем же польза от графов для бизнеса?
Например, вашей компании нужно оптимизировать производственные процессы. Вы преобразуете, описываете производственные процессы в виде графа знаний, а затем применяете математические методы для выявления проблемных мест. Например, можно выявить тот самый центральный узел, который вынешь и производство встанет.
Второй пример - прогнозирование выживаемости предприятия в различных экономических условиях. Всем нам хочется заглянуть в будущее и получить ответ на вопрос "А что если? ". А что если завтра токарь Вася не выйдет на работу? А что если опцион на сырье поднимется в 2 раза? А как на счет инфляции в 20% годовых? Выдержит ли предприятие такой стресс? А может Вы планируете расширить производство? Тогда как организовать логистику?
Вы можете возразить, что на это есть профессиональные эксперты и аналитики. Но все мы знаем, что компьютеры могут оперировать большими числами, а значит тестировать кратно больше гипотез на все случаи жизни. Графы способны очень точно описать все процессы внутри компании, построить ее модель и поместить ее в окружающую среду. Таким образом, можно с высокой точностью прогнозировать варианты развития ситуации внутри и снаружи.
SciSoftDev создает модели и производит прогнозирование с помощью самообучающегося искусственного интеллекта, SLAI (Self-Learning Artificial Intelligence). SLAI это ядро системы, основанное на графах и графовых нейронных сетях.