{"id":13309,"date":"2018-10-12T11:15:34","date_gmt":"2018-10-12T09:15:34","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=13309"},"modified":"2018-10-13T09:20:21","modified_gmt":"2018-10-13T07:20:21","slug":"neo4j-3-5-schafft-basis-fuer-maschinelles-lernen-und-ki-systeme-der-naechsten-generation","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=13309","title":{"rendered":"Neo4j 3.5 schafft Basis f\u00fcr maschinelles Lernen und KI-Systeme der n\u00e4chsten Generation"},"content":{"rendered":"<figure id=\"attachment_13315\" aria-describedby=\"caption-attachment-13315\" style=\"width: 300px\" class=\"wp-caption alignnone\"><a href=\"https:\/\/www.sysbus.eu\/wp-content\/uploads\/2018\/10\/Press-Release-Neo4j-3.5_KI_4-Pillars.png\"><img loading=\"lazy\" decoding=\"async\" class=\"size-medium wp-image-13315\" src=\"https:\/\/www.sysbus.eu\/wp-content\/uploads\/2018\/10\/Press-Release-Neo4j-3.5_KI_4-Pillars-300x200.png\" alt=\"\" width=\"300\" height=\"200\" srcset=\"https:\/\/www.sysbus.eu\/wp-content\/uploads\/2018\/10\/Press-Release-Neo4j-3.5_KI_4-Pillars-300x200.png 300w, https:\/\/www.sysbus.eu\/wp-content\/uploads\/2018\/10\/Press-Release-Neo4j-3.5_KI_4-Pillars.png 750w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><\/a><figcaption id=\"caption-attachment-13315\" class=\"wp-caption-text\">Graphtechnologie f\u00fcr K\u00fcnstliche Intelligenz (Quelle Neo4j)<\/figcaption><\/figure>\n<p>Neo4j k\u00fcndigte vor Kurzem das Release von Neo4j 3.5 an. Die native Graph-Plattform zielt auf den wachsenden Erfolg und Einsatz von Echtzeit-Gesch\u00e4ftsanwendungen ab, insbesondere k\u00fcnstlicher Intelligenz (KI) und maschinellem Lernen (ML).<\/p>\n<p><!--more--><\/p>\n<p>Neo4j-Kunden \u2013 darunter eBay und Caterpillar \u2013 zeigen, dass vernetzte Graph-Daten ein wesentlicher Bestandteil von KI-Anwendungen in Unternehmen sind. Graphbasierte Datenmodelle liefern den notwendigen Kontext f\u00fcr KI-Anwendungen, indem sie Fakten und Beziehungen zwischen Menschen, Prozessen, Anwendungen, Daten und Maschinen erfassen und bereitstellen.\u00a0Neo4j wird bereits in KI-Implementierungen von Kunden produktiv eingesetzt \u2013 beispielsweise bei Knowledge-Graphen, Betrugserkennung, Empfehlungssystemen und Chatbots \u2013 und tr\u00e4gt dort zum Unternehmenserfolg bei.<\/p>\n<p>Adrian Bowles, Gr\u00fcnder von STORM Insights, \u00e4u\u00dfert sich \u00fcber die Synergien zwischen KI und Graphen wie folgt: \u201eDie Art und Weise, wie wir Wissen in KI-gest\u00fctzten Systemen organisieren und darstellen, hat gro\u00dfen Einfluss darauf, was und wie diese Systeme lernen\u201c, sagt Bowles. \u201eKognition hei\u00dft, dass wir Beziehungen zwischen Wissenseinheiten im Kontext analysieren oder synthetisieren, um dadurch neues Wissen hervorzubringen. Die Darstellung dieser Beziehungen in einem Graphen erm\u00f6glicht effizientere und effektivere k\u00fcnstliche kognitive Prozesse.\u201c<\/p>\n<p>Die meisten aktuellen Modelle und Techniken, die den KI-Systemen zugrunde liegen, sind nicht f\u00fcr die Erkennung oder Handhabung von Verbindungen in Datens\u00e4tzen optimiert. Property-Graphen zeigen diese auf und navigieren an ihnen entlang. So werden durch das Verkn\u00fcpfen von Attributen und komplexen Beziehungen \u00fcber den Graphen hinweg Zusammenh\u00e4nge herauskristallisiert, was wiederum den Graphen zur bestm\u00f6glichen Datenstruktur f\u00fcr die Eingangsdaten von maschinellem Lernen macht. Die Robustheit der Neo4j Graph-Plattform und ihre Anwendungsbreite positionieren Neo4j als hervorragendes System zur Sicherung und Pflege vernetzter Daten \u2013 sogar wenn komplexe Algorithmen mehrmals pro Sekunde ausgef\u00fchrt werden.<\/p>\n<p>Weitere Informationen: <a href=\"https:\/\/neo4j.com\">https:\/\/neo4j.com<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Neo4j k\u00fcndigte vor Kurzem das Release von Neo4j 3.5 an. Die native Graph-Plattform zielt auf den wachsenden Erfolg und Einsatz<\/p>\n","protected":false},"author":1,"featured_media":13315,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[10036,4],"tags":[3443,3898,11724,8981,10986,7683,11725],"class_list":["post-13309","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-kuenstliche-intelligenz","category-news","tag-caterpillar","tag-ebay","tag-graph-plattform","tag-maschinelles-lernen","tag-ml","tag-neo4j","tag-storm-insights"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/13309","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=13309"}],"version-history":[{"count":2,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/13309\/revisions"}],"predecessor-version":[{"id":13316,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/13309\/revisions\/13316"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/13315"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=13309"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=13309"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=13309"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}