邁向決策式AI：提供反事實(shí)的建議(二)

1   復習：三階段訓練流程

在上一期里，藉由< 用戶(hù)、食材和食譜> 三位一體的多層次關(guān)聯(lián)來(lái)建立知識圖(KG：Knowledge Graph)。其基于不同食材在各種食譜中的組合方式，構建食材與食材之間的關(guān)系圖。并且通過(guò)用戶(hù)的偏好和歷史選擇，建立用戶(hù)與食材的關(guān)聯(lián)。然后整合用戶(hù)、食材和食譜的多層次信息，對用戶(hù)分群來(lái)更加準確了解用戶(hù)的潛在需求，不僅能提供個(gè)性化的食材推薦，還可以獲得食譜的創(chuàng )新建議。

這項創(chuàng )新能力，是透過(guò)反事實(shí)GCN 的引入讓模型具備了探索和創(chuàng )新的能力，不僅能推薦用戶(hù)熟悉的食材組合，還能引導用戶(hù)嘗試全新的食譜搭配。其食譜的生成不僅基于歷史數據，還基于潛在的創(chuàng )新可能性，讓餐飲業(yè)的推薦系統從“需求驅動(dòng)”到“創(chuàng )造驅動(dòng)”的轉變。這意味著(zhù)，它既能滿(mǎn)足用戶(hù)的當前需求，還能探索和創(chuàng )造新的飲食體驗，來(lái)提高用戶(hù)的滿(mǎn)意度。

在上一期的文章裡，也詳細說(shuō)明了?；渡鲜龅腒G 體系，能透過(guò)三個(gè)階段( 或步驟) 的流程，擅加運用AI 模型來(lái)探索出潛在性連結，即稱(chēng)為：反事實(shí)連結(CF Link)。這三階段是：

階段-1：訓練GCN獲取原始的食材嵌入(Embedding)，通過(guò)食材圖的關(guān)系學(xué)習每個(gè)食材的特征表示。

階段-2：基于用戶(hù)喜愛(ài)的食材關(guān)系，構建GCN，生成新的用戶(hù)- 食材潛在連結（CF Links）。

階段-3：利用反事實(shí)連結為目標，通過(guò)反事實(shí)GCN 生成新的食材嵌入，構建反事實(shí)的食材知識圖。

其中各階段都有明確的任務(wù)，且各階段之間的嵌入特征和鏈接生成能夠自然銜接，充分體現出從基礎推薦到反事實(shí)分析的流暢順序。經(jīng)由這三階段流程，可生成反事實(shí)食材組合的知識圖，然後將所生成的反事實(shí)食材嵌入與原始食材嵌入進(jìn)行對比，就能結合多階段的GCN 模型和反事實(shí)分析來(lái)進(jìn)行推薦和創(chuàng )新。此外，還可以引入更多的食材屬性（如營(yíng)養成分、口味特征等）來(lái)增強節點(diǎn)特征，從而提高嵌入的表達能力?？紤]不同的圖卷積模型（如GAT、GraphSAGE 等），以捕獲更復雜的食材、食譜與用戶(hù)之優(yōu)質(zhì)關(guān)系。

2   進(jìn)階范例：學(xué)習專(zhuān)家的SOP

剛才談到善用知識圖來(lái)表達< 用戶(hù)、食譜與食材>之關(guān)聯(lián)，并善用GCN 模型來(lái)探索潛在性鏈接。接下來(lái)，就來(lái)繼續擴大這些技術(shù)：應用于表達廚師的工作流程( 即SOP)。例如，在< 食譜-- 食材> 的知識圖中，可以增添一項邊順序(Order) 的特征，它用來(lái)表示在烹飪過(guò)程中該食材的添加順序，來(lái)表達餐飲大廚師的烹煮流程知識。

然后，就可以結合反事實(shí)嵌入(CF Embedding）來(lái)探索創(chuàng )新食譜的邊順序，可以更準確地捕捉到更合理的食材添加順序。通過(guò)優(yōu)化順序特征，模型可以推斷出新的食材添加流程，從而生成更具創(chuàng )新性的食譜，還能推薦更合理的烹飪步驟，可能帶來(lái)更好的口感，提升用戶(hù)的烹飪體驗。

現在請您來(lái)觀(guān)察下述的范例，其步驟如下：

Step-1：建立GIN 模型，并展開(kāi)訓練例如，在前面的食譜文件里，還包含了食譜的制作流程(SOP) 的知識。例如：“拉面食譜”: [

{ “name”: [1, “豚骨拉面”],

“ingredients”: [“豬骨”, “醬油”, “大蔥”, “雞蛋”, “拉面”],

“instructions”: “將豬骨煮沸，加入醬油和大蔥，煮至湯頭濃郁，搭配拉面和半熟蛋?！?/p>

}

這里指明了，這< 豚骨拉面> 食譜的制作順序(Order)是：

于是，把上圖里SOP 知識拿來(lái)訓練GIN（Graph Isomorphism Networks）模型，并進(jìn)入機器學(xué)習流程。此時(shí)，可觀(guān)察到學(xué)習的過(guò)程，GIN 會(huì )輸出如下：

很順利地完成訓練GIN 模型了。

Step-2：訓練好了，GIN 進(jìn)行推論

AI的神奇之處，即是：它能從眾多食譜的制程SOP數據中，學(xué)習各食材的先后順序關(guān)系，然后推論出創(chuàng )新食譜的SOP。例如，Mike 接受AI 的推薦，而決定在< 豚骨拉面> 食譜中，添加< 海苔> 食材。如下圖：

那么，添加之后的新食譜( 如上圖)，其SOP 該如何決定呢？此時(shí)，GCN 就能迅速推論出新的SOP，而輸出如下：

于是，得到了新食譜的SOP，如下圖所示：

除了制程SOP 之外，GIN 還可以從食譜中學(xué)習更多的知識，烹煮的時(shí)間長(cháng)度等。

3   活用GNN 探索CF_Links， 優(yōu)化企業(yè)決策

從剛才的范例中，您已經(jīng)熟悉了知識圖和GNN 模型的組合搭配，來(lái)探索< 用戶(hù)、食譜與食材> 之間的潛在關(guān)聯(lián)。接著(zhù)，就能發(fā)揮它的特性，應用于其他商業(yè)領(lǐng)域，活用它來(lái)支持企業(yè)高層的決策分析和建議。由于企業(yè)高層常常面臨復雜的決策場(chǎng)景，此時(shí)GNN 和反事實(shí)分析可以提供強大的因果推理和決策優(yōu)化。

3.1 商業(yè)決策的挑戰與Graph AI的機遇

當我們面對快速變動(dòng)的市場(chǎng)環(huán)境、客戶(hù)需求變化等，企業(yè)高層主管需要能夠及時(shí)做出優(yōu)質(zhì)決策。此時(shí)，GNN特別適合分析企業(yè)數據中的關(guān)聯(lián)和因果關(guān)系，如供應鏈圖譜、社交網(wǎng)絡(luò )圖、產(chǎn)品推薦圖等。其中的CF_Links是一種基于反事實(shí)分析的連結推理技術(shù)，能夠及時(shí)激發(fā)人們的反事實(shí)思考。例如，充分思考< 如果這些關(guān)系不存在或變更決策，會(huì )發(fā)生什么影響和后果呢？ > 等情境。

3.2 活用AI探索CF_Links，提供清晰決策依據

CF_Links 是反事實(shí)推理的一部分，專(zhuān)注于圖結構中的邊或鏈接變化。例如：< 如果企業(yè)選擇中斷與某供貨商的合作，整體業(yè)務(wù)會(huì )受到怎樣的影響？ >。此時(shí)，GNN 能夠捕捉潛在的關(guān)聯(lián)性和因果關(guān)系，幫助我們理解知識圖中的潛在性連結對預測結果的影響。在許多商業(yè)領(lǐng)域里，都刻可以派上用場(chǎng)。包括：

●   供應鏈優(yōu)化：

使用Graph AI 分析供應鏈圖譜，探討供應鏈效率和風(fēng)險的可能變化，來(lái)幫助企業(yè)高層在選擇供貨商時(shí)做出更具前瞻性的決策。

●   客戶(hù)關(guān)系管理（CRM）：

在社交網(wǎng)絡(luò )圖或顧客互動(dòng)場(chǎng)合中，CF_Links 分析可以模擬企業(yè)對特定客戶(hù)的關(guān)系中斷或加強，將對企業(yè)產(chǎn)生的可能影響。能有效幫助企業(yè)制定更優(yōu)質(zhì)的營(yíng)銷(xiāo)策略。

●   風(fēng)險管理：

在金融財務(wù)領(lǐng)域，CF_Links 分析能幫助發(fā)現潛在的欺詐行為，尤其是在復雜的交易網(wǎng)絡(luò )中，企業(yè)高層可以根據這些分析結果，采取更有效的風(fēng)控策略。

●   其它場(chǎng)合：

利用GNN 分析結果和CF_Links 洞見(jiàn)，企業(yè)人員可以設計出一個(gè)可視化決策儀表板，幫助決策者快速了解關(guān)鍵指標和可能的決策& 行動(dòng)方案。并且提供給決策者立即查看反事實(shí)分析的結果。

4   結束語(yǔ)

從Graph AI 的反事實(shí)推理延伸到決策式AI(Decision-Making AI)，也讓AI 從< 被動(dòng)分析> 邁向< 主動(dòng)決策>，這是AI 發(fā)展的重要趨勢之一。將能讓企業(yè)或個(gè)人在自動(dòng)化決策中融入人類(lèi)專(zhuān)業(yè)知識，形成高效的人機協(xié)作，攜手擬定最優(yōu)質(zhì)的決策。

（本文來(lái)源于《EEPW》202412）