بررسی نقش پایگاه داده های گرافی در ارتقای تحلیل داده های رابطه محور در سامانه های هوش مصنوعی: سیستم های توصیه گر، تشخیص تقلب و پرسش و پاسخ مبتنی بر گراف دانش

در رشد شتابان داده های پیچیده ناهمگون و به شدت متصل در حوزه هایی نظیر شبکه های اجتماعی، تشخیص تقلب، دانش گراف، تحلیل زنجیره تامین و سامانه های هوش مصنوعی نیاز به الگوهای داده ای پیشرفته و رابطه محور را به طور چشمگیری برجسته ساخته است. در چنین بستری پایگاه داده های گرافی با نمایش موجودیت ها و تعاملات آنها در قالب گره و یال زیرساختی مناسب برای تغذیه، تقویت و تبیین مدل های یادگیری، ماشین یادگیری عمیق و سامانه های تبیینی فراهم می کنند. این مقاله به واکاوی نقش پایگاه داده های گرافی در بهبود دقت، کارایی، مقیاس پذیری و تبیین پذیری کاربردهای هوش مصنوعی پرداخته و معماری و قابلیت های Neo۴j را به عنوان یکی از پرکاربردترین سامانه های گرافی مورد تحلیل قرار می دهد. با اتکا بر مرور نظام مند ادبیات و نتایج بنچمارک های معتبر منتشر شده در فاصله سال های ۲۰۲۰ تا ۲۰۲۴، نقاط قوت و محدودیت های Neo۴j در سناریوهای متنوع تحلیلی شناسایی و توصیه هایی برای گزینش معماری مناسب در پروژه های داده محور ارائه می شود. یافته ها نشان می دهد که Neo۴j در مواجهه با داده های به شدت وابسته و پرس وجوهای چند مرحله ای، عملکردی برتر و پایدار از خود بروز می دهد. افزون بر این هم افزایی پایگاه داده های گرافی با Graph Learning، شبکه های عصبی گراف و گراف های دانش بهبودهای قابل توجهی در کیفیت و تبیین پذیری سامانه های پرسش و پاسخ، سیستم های توصیه گر، سامانه های کشف تقلب و کاربردهای حوزه سلامت به همراه داشته است.

کلیدواژه ها:

Graph Database ، Knowledge Graph ، Cypher ، Neo۴j ، Data Science ، Graph Learning ، GNN ، Gremlin ، Machine Learning