Relationship Learning [Lr]

Was genau leistet das KI-Element?

Relationship Learning [Lr] ermittelt qualitative oder quantitative Beziehungen zwischen Objekten oder Begriffen. Häufig werden mit Relationship Learning [Lr] bisher unbekannte Beziehungen zwischen Objekten in Netzwerken gefunden, beispielsweise in sozialen Netzwerken, Unternehmensnetzwerken oder Kommunikationsnetzwerken.

Für welche Aufgaben wird das KI-Element in Unternehmen eingesetzt?

Überall, wo netzwerkartige Strukturen auftreten, kann das KI-Element eingesetzt werden, um Beziehungen zwischen Objekten aufzudecken. So entdeckt Relationship Learning [Lr] bei der Integration von Produktkatalogen Äquivalenzbeziehungen für identische Produkte, Komplementärbeziehungen für Produkte mit ähnlichen Eigenschaften und Beziehungen zwischen Hauptund Zubehörprodukten. In der Chemieinformatik werden mit dem KI-Element Ähnlichkeiten von gefalteten Proteinmolekülen bestimmt. In sozialen Netzwerken werden mit Relationship Learning [Lr] bisher verborgene Kollaborationsbeziehungen und andere Interaktionsmuster aufgedeckt. In Kombination mit Kontonetzwerken werden in Unternehmensnetzwerken verdächtige Finanztransaktionen aufgespürt. In Ontologien und anderen Wissensgraphen entdeckt Relationship Learning [Lr] semantische Beziehungen zwischen Begriffen und Klassen.

Welche Marktentwicklungen zeigen die Bedeutung des KI-Elements?

DataStax kaufte im Jahr 2015 die Firma Aurelius, die hinter der Open Source Graphdatenbank Titan steht. Neo Technology, das Unternehmen hinter der führenden Graphdatenbank neo4j, schloss im November 2018 eine Finanzierungsrunde über 80 Millionen US-Dollar ab und erreicht damit ein Gesamtfinanzierungsvolumen von 160 Millionen US-Dollar. Der Gesamtmarkt für Graphdatenbanken soll laut Marketsandmarkets von 821,8 Millionen US-Dollar im Jahr 2018 auf 2.409,1 Millionen US-Dollar im Jahr 2023 steigen. Das entspricht einer jährlichen Wachstumsrate von 24 Prozent.

Wie hängt dieses KI-Element mit anderen im Periodensystem zusammen?

In Relationship Learning [Lr] können Methoden von Predictive Inference [Pi], Data Analytics [Da] und Category Learning [Lc] zum Einsatz kommen.

Wer bietet für dieses KI-Element Lösungen auf dem Markt an?

Für das KI-Element gibt es keine dedizierten Softwarelösungen. Vielmehr handelt es sich bei Relationship Learning [Lr] um Algorithmen, die in Netzwerkdaten, sogenannten Graphen, Beziehungen zwischen Objekten erkennen bzw. vorhersagen. In diesem Zusammenhang wird auch der Begriff ›Link Prediction‹ verwendet.

Welche wirtschaftliche Bedeutung hat dieses KI-Element?

Handelsunternehmen integrieren Katalogdaten mit Hilfe von Relationship Learning [Lr]. In sozialen Netzwerken wie XING oder LinkedIn wird Relationship Learning [Lr] eingesetzt, um interessante Personen vorzuschlagen. Das Element wird auch beim Erlernen von Taxonomien, Ontologien und anderen Wissensgraphen eingesetzt. Als spezielle Anwendung dafür kann bspw. der Knowledge-Graph von Google angesehen werden. Sicherheitsbehörden nutzen das KI-Element, um aus Interaktionsdaten von Personen kritische Zusammenhänge zu entdecken.

Welche Hürden zeigen sich beim Einsatz dieses KI-Elements in der Praxis?

Eine Hürde für den Einsatz des Elements kann die mangelnde Datengrundlage für die Entwicklung leistungsfähiger Algorithmen für Relationship Learning [Lr] sein. Ein weiteres Hindernis sind restriktive Datenschutzregeln, welche die Verarbeitung personenbezogener Netzwerkdaten erschweren oder verbieten.

Wer treibt die Entwicklung dieses KI-Elements voran?

Fortschritte in der Methodik für Relationship Learning [Lr] spiegeln sich in der Entwicklung neuer oder der Verbesserung existierender Algorithmen wider. Forschungsergebnisse werden auf Konferenzen wie der International Conference on Advances in Social Networks Analysis and Mining, der World Wide Web Conference oder der AAAI Conference on Artificial Intelligence vorgestellt. Neuartige Anwendungen des KI-Elements werden von Unternehmen wie Google (Netzwerke aus Websites), Didi (Verkehrsnetzwerke), Facebook (soziales Netzwerk) oder Amazon (Netzwerke aus Produkten, Händlern und Herstellern) umgesetzt.