AI юмсын хоорондын холбоог хэрхэн сурдаг вэ?

Хоёр хүн найз гэдгийг зөвхөн тэдний нэрийг хараад мэдэх боломжгүй. Харин хэн хэнтэйгээ холбоотой, ямар бүлэгт багтдаг, тэдгээр холбоо хэрхэн үргэлжилж байгааг харвал тухайн хүмүүсийн талаар илүү ихийг ойлгож чадна. Компьютерийн хувьд ч олон асуудал яг ийм шинжтэй байдаг. Тиймээс бүх зүйлийг тус тусад нь харахын оронд объектууд болон тэдгээрийн хоорондын холбоог хамтад нь сурдаг Graph Neural Network буюу GNN хэмээх арга бий.

Graph гэж юу вэ?

Graph гэдэг нь мэдээллийг объект болон тэдгээрийн хоорондын холбоо хэлбэрээр дүрслэх арга юм. Энд объектуудыг node буюу зангилаа, тэдгээрийг холбож буй харилцааг edge буюу ирмэг гэж нэрлэдэг. Жишээлбэл, нийгмийн сүлжээг graph гэж үзвэл хүн бүр node, харин хоёр хүний найзын холбоо edge болно. Ингэж харахад тухайн хүний зөвхөн өөрийнх нь мэдээлэл биш, хэнтэй холбоотой байгаа нь ч бас чухал болж ирнэ.

Graph-ийн хүч нь юмсын хоорондын харилцааг мэдээллийн нэг хэсэг болгон авч үздэгт оршино. Жишээ нь нэг кинонд ямар жүжигчид тоглосон, ямар хэрэглэгч ямар бүтээгдэхүүн худалдаж авсан, ямар хотууд хоорондоо замаар холбогдсон зэрэг нь бүгд graph хэлбэрээр дүрслэгдэж болно. Тиймээс Graph Neural Network-ийн үндсэн санааг “өгөгдлийг дангаар нь биш, түүний холбоосын хамт сурах” гэж ойлгож болно.

GNN холбоосоор дамжуулж хэрхэн суралцдаг вэ?

GNN-ийн нэг онцлог нь node бүр өөрийн хөрш node-уудаас мэдээлэл авч чаддагт оршино. Үүнийг message passing буюу мэдээлэл дамжуулах механизм гэж нэрлэдэг. Жишээ нь нэг хүний талаарх мэдээллийг таамаглахдаа зөвхөн тухайн хүний мэдээллийг ашиглахгүй, түүнтэй холбоотой хүмүүсийн мэдээллийг ч авч үзэж болно. Дараа нь эдгээр мэдээллийг нэгтгэн тухайн node-ийн шинэ дүрслэлийг үүсгэнэ.

Үүнийг найз нөхдийн хүрээлэлтэй зүйрлэж болно. Нэг хүнийг ойлгохын тулд зөвхөн өөрийнх нь тухай бус, ойр дотнын хүмүүс нь хэн болох, тэд ямар шинжтэй хүмүүс болохыг мэдэх нь заримдаа хэрэг болдог. GNN үүнийг математик аргаар хийдэг бөгөөд нэг алхамд шууд хөршүүдээс, дараагийн алхамд хөршүүдийн хөршүүдээс мэдээлэл авч чадна. Ингэснээр node нь өөрийнхөө орчноос улам өргөн хүрээний мэдээллийг “харж” эхэлдэг.

Нэг хэрэглэгчийн дараагийн үйлдлийг хэрхэн таамаглах вэ?

Онлайн дэлгүүрийг төсөөлөөд үзье. Нэг хэрэглэгч гутал, цүнх, спортын хувцас худалдаж авсан байлаа. Эдгээр бүтээгдэхүүнийг тус тусад нь харахад энгийн худалдан авалтууд мэт боловч хэрэглэгч, бүтээгдэхүүнүүдийн хоорондын холбоог graph болгон дүрслэвэл илүү их мэдээлэл гарч ирнэ.

Энд хэрэглэгч болон бүтээгдэхүүнүүд node болж, “худалдан авсан”, “үзсэн” зэрэг үйлдлүүд edge болж болно. GNN эдгээр холбоог судалж, тухайн хэрэглэгчтэй төстэй хэрэглэгчид ямар бүтээгдэхүүн сонгосон, тухайн бүтээгдэхүүнүүд хоорондоо ямар холбоотой байгааг ашиглан дараагийн сонирхож болох бүтээгдэхүүнийг таамаглаж чадна. Тиймээс зөвлөмжийн системд GNN ашиглах үед “энэ хүн өмнө нь юу худалдаж авсан бэ?” гэдгээс гадна “түүний үйлдлүүд бусад зүйлстэй хэрхэн холбогдож байна вэ?” гэдгийг авч үздэг.

GNN ямар асуудлыг шийддэг вэ?

Зарим өгөгдөл хүснэгт хэлбэртэй байдаг бөгөөд мөр бүр нэг объект, багана бүр тухайн объектын шинж чанарыг илэрхийлдэг. Гэхдээ бодит амьдралын олон асуудалд объектууд бие биетэйгээ холбоотой байдаг тул зөвхөн хүснэгтээр дүрслэхэд чухал мэдээлэл алдагдаж болно. GNN ийм холбоост өгөгдөл дээр ажиллахад тохиромжтой.

Жишээлбэл, банкны гүйлгээний сүлжээнд хэрэглэгч, данс, төхөөрөмж, гүйлгээ зэрэг олон төрлийн объект хоорондоо холбогдоно. Сэжигтэй үйлдлийг илрүүлэхдээ зөвхөн нэг гүйлгээний дүнг харахаас илүү тухайн гүйлгээ ямар данс, төхөөрөмж, хэрэглэгчидтэй холбогдож байгааг харах нь илүү хэрэгтэй байж болно. GNN ийм сүлжээний бүтэц доторх хэв маягийг суралцаж, node ангилах, холбоо таамаглах зэрэг даалгаварт ашиглагддаг.

GNN-ийг хаана ашиглаж болох вэ?

GNN-ийн хэрэглээ зөвхөн нийгмийн сүлжээ эсвэл зөвлөмжийн системээр хязгаарлагдахгүй. Google Maps шиг замын сүлжээнд хот, уулзваруудыг node, замуудыг edge болгон дүрслээд замын хөдөлгөөн болон зам хоорондын хамаарлыг загварчлахад ашиглаж болно. Мөн молекулын бүтцэд атомыг node, химийн холбоог edge болгон авч үзэж, молекулын шинж чанарыг таамаглахад хэрэглэж болно.

Кибер аюулгүй байдалд төхөөрөмжүүд болон тэдгээрийн хоорондын холболтыг graph болгон дүрслэж, хэвийн бус харилцааг илрүүлэх боломжтой. Санхүүгийн салбарт данс, хэрэглэгч, гүйлгээний холбоог судалж залилангийн хэв маягийг илрүүлэхэд ашиглаж болно. Эдгээр жишээнүүдийн нийтлэг санаа нь нэг объектын мэдээллээс илүү объектууд хоорондоо хэрхэн холбогдож байгаа нь өөрөө үнэ цэнтэй мэдээлэл болдог явдал юм.

Дүгнэлт

Graph Neural Network-ийн гол санаа нь өгөгдлийг тус тусдаа объект гэж харахгүй, тэдгээрийн хоорондын холбоог хамтад нь авч үзэхэд оршино. Node нь “юу вэ?”, edge нь “юутай холбоотой вэ?” гэсэн асуултад хариулдаг бол GNN эдгээр холбоогоор дамжуулан мэдээлэл цуглуулж, илүү өргөн контекстийг ойлгохыг хичээдэг. Иймээс хүмүүс, бүтээгдэхүүн, зам, төхөөрөмж, молекул зэрэг хоорондоо холбоотой бүтэцтэй өгөгдөл дээр GNN онцгой хэрэгтэй. Харин олон node хоорондын холбоог ашиглан илүү төвөгтэй хэв маягийг сурах шаардлагатай болсон үед GNN-ийн дараагийн шатны ойлголтууд болох Graph Convolution, Graph Attention Network болон Graph Transformer зэрэг аргууд гарч ирдэг.