添加上下文情境助推人工智能更上一层楼

超越文本:对话式人工智能如何理解上下文 探索会话式人工智能的魅力,打造智能互动的未来。 阅读详情

图技术是整合上下文情境和关联的有效选择,使人工智能解决方案更高效

作者:Neo4j 首席执行官 Emil Eifrem

如果认真构建人工智能 (AI) 来做出与人类同样聪明和明智的选择,研究为决策提供信息的重要环境因素——上下文情境,则有非凡意义。

就本质而言,人工智能需要上下文来模仿人类的智力水平。毕竟,上下文是构建事物并赋予其意义的信息。例如,一个人说“滚出去!”可能表达并无敌意的惊讶,或者愤怒地要求某人离开房间。然而,这无法仅仅通过阅读文字来判断。

使用上下文情境判断一种情况下的重点所在,以及如何将此类经验应用于新情况可以帮助解决这个问题。机器人需要依赖上下文情境做出更接近人类的决策。如果没有外部及相关信息,人工智能将需要更全面的训练、更规范的规则,而且长期局限在更多特定应用中。

问题的关键在于必须发现上下文情境。人工智能科学家曾试图通过构建狭窄但功能强大到足以将一件事做到极致的系统来省略发现上下文情境。窄人工智能专注于出色地执行一项任务,例如图像识别等,但它无法横向扩展,无法围绕计划、语言理解、目标识别、学习或解决问题等产生与人类相似的复杂理解。

在这里插入图片描述

关联数据和定义关系

为人工智能应用提供上下文情境的方法之一是通过图扩展人工智能的能力以应对复杂性。图数据库是一种管理数据的方式,与 Oracle 或 Microsoft SQL Server 等传统关系型数据库的存储方法截然不同。它也不同于MongoDB这样的NoSQL。Gartner 指出企业对图数据库的关注是当前主要趋势之一,而行业也步入了“图时代”。

图适用于从亚马逊购物推荐到欺诈和洗钱检测等各种用例。图技术越来越多地被用于支持人工智能和机器学习(Machine Learning)计划。因为其原生架构为人工智能应用程序提供了缺失的上下文,早期研究结果表明有上下文关联的人工智能远远优于不包含此背景的 人工智能。图技术关联数据并定义关系,有相关上下文情境的图技术可以增强人工智能,它提供了一种有效的手段为复杂人工智能应用程序的发展赋能。

以自动驾驶汽车为例。因为潮湿天气存在很大变数,设计自动驾驶汽车在雨天的行驶非常困难,也无法针对所有可能发生的情况对车辆进行训练。但如果为人工智能提供相关上下文信息(雨、光、交通拥堵和温度),则可以整合多个上下文信息,帮助车辆推断下一步行动。

图至少可以在四个方面为人工智能提供上下文情境支持。 第一是知识图谱,用于提升决策支持并确保针对某种特定情况提供最合适的答案。谷歌搜索是上下文丰富的知识图谱中最常见的用例,文档分类和客户支持也是常见的应用。上下文丰富的知识图谱非常适用于以文档形式获取大量知识的组织机构。例如 NASA经验教训 (Lessons Learned) 数据库收集了50年来所有太空项目的知识。

其次,通过图加速的机器学习使用图来优化模型并加快流程。当前的机器学习方法通常依赖于存储在表格中的数据,但使用此类数据指导的网络是资源密集型的。图呈现了相互关联的数据,并提供上下文情境以提高效率,实现快速、大规模地遍历和分析多种分离度的关系。

第三,关联特征提取分析数据以识别其中包含的最具预测性的要素。例如,研究表明,与直接朋友相比,更广的朋友网络可能是预测其如何投票的更适合指标。另一用例是图算法如何简化查找隐藏社区的异常情况,这些社区可能是欺诈团伙或洗钱网络。

第四,图为人工智能如何决策提供一种透明方式。这种能力对于长期应用人工智能至关重要,因为在医疗保健、信用风险评分和刑事司法等行业,解释决策的方式和原因非常必要。获得上下文支持的人工智能可以帮助监督者在上下文数据集里绘制决策路径并将其可视化,消除影响决策过程中下结论及提供建议的信心的“黑匣子”。

让人工智能更值得信赖

Neo4j 坚信图对人工智能至关重要,因此已正式向正在制定美国人工智能政府标准的 NIST(美国国家标准与技术研究院)提交了图和人工智能提案。提案指出,当只有图软件提供上下文信息支持和解释时,人工智能和智能计算相关应用(如机器学习)才会更加有效、可信和强大。

未明确包含上下文信息的人工智能将导致低于标准的结果,但代表关联数据的图软件可以进一步提供帮助。利用图技术的力量来丰富数据集,使其更具效力,为下一代人工智能的成功奠定更好的基础。

一种在智能对话中实现上下文功能的方法 智能对话中有一个经典的场景:Q:上海的天气 A:上海的天气是…… Q:那北京的呢 A:北京的天气是……第二个问句是一个特殊的问句,它的语义和前一句关联,但单独说它没有明确的意图。目前的olami开放平台提供的IDS模块(应用管理->配置模块->对话系统模块)自身可支持上下文,但对平台用户自己开发的NLI模块却没有提供直接的支持。不过我们可以通过一些办法实现这种功能。下面就介绍一下解决方案。分析这种上 阅读详情

相关推荐

上下文学习:提高AI对话的连贯性

1. 背景介绍 在人工智能(AI)领域,对话系统的连贯性是衡量其自然性和智能水平的关键指标。然而,现有的对话系统往往缺乏连贯性,导致用户体验不佳。上下文学习(Up-Down Learning)是一种新颖的方法,旨在提高AI对话的连贯性。本文将详细介绍上下文学习的原理、算法、数学模型,并提供项目实践和工具推荐。

AGI×大数据,开启智能时代的认知跃迁;解码AGI,赋能数据驱动的智能革命。 1011

上下文工程:AI 智能体架构落地的关键新技术

继 Vibe Coding(氛围编程) 火了之后,Andrej Karpathy 又带火了一个词:Context Engineering(上下文工程)。

m0_71746299的博客 845

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

jks212454的博客 468

人工智能的“记忆存储”与“上下文机制”详解:它到底记住了什么,又是怎么“理解你”的?

本文深入解析了人工智能大模型的"上下文机制"和"记忆存储"工作原理。上下文是模型在单次对话中临时处理的输入序列,受限于token数量,会随着对话推进不断更新;而记忆则是跨会话存储的用户偏好信息,通过外部存储和检索机制在需要时注入上下文。文章详细阐述了两种机制的技术实现、边界限制和潜在风险,并提供了优化对话效果的实用建议,帮助用户理解模型看似"记住"信息的本质其实是外部信息被重新注入上下文的过程。

HSX的博客 1202

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 523

Dify Rerank 模型配置全流程解析:从报错定位到代码实现

Dify Rerank 模型配置全流程解析:从报错定位到代码实现

engchina的专栏 4472

什么是上下文工程(Context Engineering)?它为何对大模型如此重要?

上下文工程是解决当前AI智能体"数字失忆症"和跨任务知识迁移不足的关键技术。它通过三大技术支柱——上下文获取(动态检索)、上下文处理(结构化知识)和上下文管理(长期记忆系统)——为AI构建完整的认知架构。这一技术使AI从简单的任务执行者进化为能够持续学习、深度推理的智能伙伴,标志着AI发展范式从追求模型规模转向构建功能完备的认知架构,是推动AI从理论走向应用的核心引擎。

Trb201013的博客 908

从零到一:FAST_LIO与FAST_LIO2算法环境搭建与实战评测

本文详细介绍了FAST_LIO与FAST_LIO2算法的环境搭建与实战评测,包括算法原理、环境配置避坑指南、源码编译技巧及性能对比。FAST_LIO2凭借ikd-tree数据结构在动态环境中表现优异,处理速度提升至15ms,内存占用降低40%。文章还提供了常见问题排查和进阶优化技巧,助力开发者高效实现SLAM应用。

weixin_29271053的博客 471

目标检测论文解读复现之十:基于YOLOv5的遥感图像目标检测(代码已复现)

目标检测是遥感图像处理领域的一项重要技术,遥感图像目标种类繁多且存在目标物体难以被检测。提出把YOLOv5算法应用到遥感图像目标检测的方法。

m0_70388905的博客 6262

用C#完成最小二乘法拟合平面方程,再计算点到面的距离

【代码】用C#完成最小二乘法拟合平面方程,再计算点到面的距离。

MechMaster 649

Nestjs框架: 集成 Prisma

NestJS官方文档提供了两种数据库相关的内容:Techniques下的数据库板块和Recipes下的具体数据库集成方案。本文以Prisma为例,演示了如何集成Prisma到NestJS项目中。首先创建NestJS项目并安装Prisma,配置MySQL数据库连接。通过Prisma CLI初始化项目、定义数据模型并生成迁移文件。接着创建Prisma模块和服务,配置Prisma客户端连接数据库。最后在控制器中注入PrismaService实现数据查询。整个过程包含了Docker启动MySQL、Prisma模型定

Wang的专栏 1300

利用上下文常识,让AI读懂不完整人类指令

https://www.toutiao.com/a6687850036513997324/ 大数据文摘专栏作品 作者:Christopher Dossman 编译:笪洁琼、conrad、云舟 呜啦啦啦啦啦啦啦大家好,本周的AI Scholar Weekly栏目又和大家见面啦! AI Scholar Weekly是AI领域的学术专栏,致力于为你带来最新潮、最全面、最深...

喜欢打酱油的老鸟 691

【UE5+Quest3】手部模型替换---3-0

这次手部模型替换遇到了一些小问题,不过好在是bug一个个都处理掉了,我会分开几个章节去整理。详细的视频教程可以参考油管大佬的视频手部素材放到文章末尾,自行下载使用。(仅用作学习研究,不可用于商用)

qbbmnnnnnn的博客 947

京东AI:用于视觉识别的上下文Transformer网络-Contextual Transformer Networks for Visual Recognition

论文下载:https://arxiv.org/pdf/2107.12292.pdf 源码下载:https://github.com/JDAI-CV/CoTNet Abstract 使用自注意力机制的Transformer已经导致了自然语言处理领域的革命,最近出现了Transformer-style的架构设计,并在许多计算机视觉任务中取得了有竞争力的结果。然而,大多数现有的设计直接在二维特征图上使用自注意力,以获得基于每个空间位置的孤立查询和键对的注意力矩阵,但没有充分利用相邻键之间的丰富...

weixin_42390283的博客 5827

【异常】Coze/扣子 Workflow 调用报 4200 错误深度解析

Coze API 的。

奶爸的编程之路,也就一周冷个三天 304

把慢点掰开看:在 SAP HANA 中启用 SQL 优化耗时跟踪 SqlOptTime 的实战指南

摘要:SAP HANA 性能排查中,常出现SQL查询时快时慢的现象,表面看似执行问题,实则是编译阶段耗时过长。通过SQL优化跟踪工具SqlOptStep和SqlOptTime,可精准区分编译与执行时间。SqlOptStep展示优化树变化过程,而SqlOptTime则记录各阶段耗时,帮助定位问题根源。启用SqlOptTime需配置traceprofile,建议限定特定用户以减少系统负载。实际案例显示,报表响应慢常由计算视图编译(CeQo)导致,而非执行阶段问题。解决方案包括调整计算视图展开方式或优化基础视图结

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1016

NLP前沿:使用点击数据进行句子细粒度上下文增强的短文本匹配新框架

本文主要围绕这一特殊任务,介绍如何引入外部句子级细粒度信息来增强短文本信息;介绍一篇由creep的算法笔记整理近期的一篇论文工作,并作相应补充完善,供大家一起思考。 image-20220308155520667 论文地址:https://export.arxiv.org/pdf/2203.01849.pdf 一、解决了什么问题 《Context Enhanced Short Text Matching using Clickthrough Data》是2022年3月的一篇文章,由清华大学和腾讯

weixin_43564920的博客 2021

快速入门必看!RT-DETR手把手训练自己的数据集去跑实验,基于 ultralytics 仓库源码改进,配置虚拟环境,准备数据集、训练、验证、推理测试 ,实现0到1的完整教学过程。

本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境,安装指定版本的PyTorch和相关依赖包。然后准备数据集,修改配置文件,并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置,设置训练参数;验证阶段评估模型性能;推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载,以及详细的参数配置说明,帮助用户快速搭建RT-DETR目标检测模型。

Ai缝合怪、助力小伙伴高效发论文 5567

上下文信息简介

简介 在实际的世界中,目标不可能单独的存在,它一定会于周围其他的对象会这是环境有或多或少的关系,这就是通常所说的上下文信息。上下文信息通常被理解为:察觉并能应用能够影响场景和图像中的对象的一些信息或者是全部信息。来源于对人类视觉系统的模拟,人类的大脑具有出色的识别性能,在目标及背景复杂的情况下人类视觉系统依然可以快速识别和分类大量的目标。对于目标成像的光照、姿态、纹理、形变和遮挡等因素均具有非常

qq_35100381的博客 2万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 338

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 614

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 273

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 206

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 340

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 349

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 84
上一篇: Cirium(睿思誉)发布《2021航空洞察报告》,显示2022年航空公司客运量预计增长47%
下一篇: 继手机应用之后,显通科技推出面向可穿戴设备和大型显示屏的超声波触控解决方案
白恍然
博客等级 码龄6年 2粉丝 2原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值