迈向决策式AI：提供反事实的建议

1   复习：三阶段训练流程

本文引用地址：

在上一期里，藉由< 用户、食材和食谱> 三位一体的多层次关联来建立知识图(KG：Knowledge Graph)。其基于不同食材在各种食谱中的组合方式，构建食材与食材之间的关系图。并且通过用户的偏好和历史选择，建立用户与食材的关联。然后整合用户、食材和食谱的多层次信息，對用戶分群來更加准确了解用户的潛在需求，不仅能提供个性化的食材推荐，还可以获得食谱的創新建议。

這項創新能力，是透過反事实GCN 的引入让模型具备了探索和创新的能力，不仅能推荐用户熟悉的食材组合，还能引导用户尝试全新的食谱搭配。其食谱的生成不仅基于历史数据，还基于潜在的创新可能性，讓餐飲業的推荐系统从“需求驱动”到“创造驱动”的转变。這意味著，它既能满足用户的当前需求，还能探索和创造新的饮食体验，來提高用户的满意度。

在上一期的文章裡，也詳細說明了。基於上述的KG 体系，能透过三个阶段( 或步骤) 的流程，擅加运用AI 模型來探索出潜在性连结，即稱為：反事實連結(CF Link)。這三階段是：

阶段-1：训练GCN获取原始的食材嵌入(Embedding)，通过食材图的关系学习每个食材的特征表示。

阶段-2：基于用户喜爱的食材关系，构建GCN，生成新的用户- 食材潜在連結（CF Links）。

阶段-3：利用反事实連結为目标，通过反事实GCN 生成新的食材嵌入，构建反事实的食材知識图。

其中各阶段都有明确的任务，且各阶段之间的嵌入特征和链接生成能够自然衔接，充分体现出从基础推荐到反事实分析的流暢順序。經由這三阶段流程，可生成反事实食材组合的知識图，然後将所生成的反事实食材嵌入与原始食材嵌入进行对比，就能结合多阶段的GCN 模型和反事实分析来进行推荐和创新。此外，还可以引入更多的食材属性（如营养成分、口味特征等）来增强节点特征，从而提高嵌入的表达能力。考虑不同的图卷积模型（如GAT、GraphSAGE 等），以捕获更复杂的食材、食譜與用戶之優質关系。

2   进阶范例：学习专家的SOP

刚才谈到善用知识图来表达< 用户、食谱与食材>之关联，并善用GCN 模型来探索潜在性链接。接下来，就来继续扩大这些技术：应用于表达厨师的工作流程( 即SOP)。例如，在< 食谱-- 食材> 的知识图中，可以增添一项边顺序(Order) 的特征，它用来表示在烹饪过程中该食材的添加顺序，来表达餐饮大厨师的烹煮流程知识。

然后，就可以结合反事实嵌入(CF Embedding）来探索创新食谱的边顺序，可以更准确地捕捉到更合理的食材添加顺序。通过优化顺序特征，模型可以推断出新的食材添加流程，从而生成更具创新性的食谱，还能推荐更合理的烹饪步骤，可能带来更好的口感，提升用户的烹饪体验。

现在请您来观察下述的范例，其步骤如下：

Step-1：建立GIN 模型，并展开训练例如，在前面的食谱文件里，还包含了食谱的制作流程(SOP) 的知识。例如：“拉面食谱”: [

{ “name”: [1, “豚骨拉面”],

“ingredients”: [“猪骨”, “酱油”, “大葱”, “鸡蛋”, “拉面”],

“instructions”: “将猪骨煮沸，加入酱油和大葱，煮至汤头浓郁，搭配拉面和半熟蛋。”

}

这里指明了，这< 豚骨拉面> 食谱的制作顺序(Order)是：

于是，把上图里SOP 知识拿来训练GIN（Graph Isomorphism Networks）模型，并进入机器学习流程。此时，可观察到学习的过程，GIN 会输出如下：

很顺利地完成训练GIN 模型了。

Step-2：训练好了，GIN 进行推论

AI的神奇之处，即是：它能从众多食谱的制程SOP数据中，学习各食材的先后顺序关系，然后推论出创新食谱的SOP。例如，Mike 接受AI 的推荐，而决定在< 豚骨拉面> 食谱中，添加< 海苔> 食材。如下图：

那么，添加之后的新食谱( 如上图)，其SOP 该如何决定呢？此时，GCN 就能迅速推论出新的SOP，而输出如下：

于是，得到了新食谱的SOP，如下图所示：

除了制程SOP 之外，GIN 还可以从食谱中学习更多的知识，烹煮的时间长度等。

3   活用GNN 探索CF_Links， 优化企业决策

从刚才的范例中，您已经熟悉了知识图和GNN 模型的组合搭配，来探索< 用户、食谱与食材> 之间的潜在关联。接着，就能发挥它的特性，应用于其他商业领域，活用它来支持企业高层的决策分析和建议。由于企业高层常常面临复杂的决策场景，此时GNN 和反事实分析可以提供强大的因果推理和决策优化。

3.1 商业决策的挑战与Graph AI的机遇

当我们面对快速变动的市场环境、客户需求变化等，企业高层主管需要能够及时做出优质决策。此时，GNN特别适合分析企业数据中的关联和因果关系，如供应链图谱、社交网络图、产品推荐图等。其中的CF_Links是一种基于反事实分析的连结推理技术，能够及时激发人们的反事实思考。例如，充分思考< 如果这些关系不存在或变更决策，会发生什么影响和后果呢？ > 等情境。

3.2 活用AI探索CF_Links，提供清晰决策依据

CF_Links 是反事实推理的一部分，专注于图结构中的边或链接变化。例如：< 如果企业选择中断与某供货商的合作，整体业务会受到怎样的影响？ >。此时，GNN 能够捕捉潜在的关联性和因果关系，帮助我们理解知识图中的潜在性连结对预测结果的影响。在许多商业领域里，都刻可以派上用场。包括：

●   供应链优化：

使用Graph AI 分析供应链图谱，探讨供应链效率和风险的可能变化，来帮助企业高层在选择供货商时做出更具前瞻性的决策。

●   客户关系管理（CRM）：

在社交网络图或顾客互动场合中，CF_Links 分析可以模拟企业对特定客户的关系中断或加强，将对企业产生的可能影响。能有效帮助企业制定更优质的营销策略。

●   风险管理：

在金融财务领域，CF_Links 分析能帮助发现潜在的欺诈行为，尤其是在复杂的交易网络中，企业高层可以根据这些分析结果，采取更有效的风控策略。

●   其它场合：

利用GNN 分析结果和CF_Links 洞见，企业人员可以设计出一个可视化决策仪表板，帮助决策者快速了解关键指标和可能的决策& 行动方案。并且提供给决策者立即查看反事实分析的结果。

4   结束语

从Graph AI 的反事实推理延伸到决策式AI(Decision-Making AI)，也让AI 从< 被动分析> 迈向< 主动决策>，这是AI 发展的重要趋势之一。将能让企业或个人在自动化决策中融入人类专业知识，形成高效的人机协作，携手拟定最优质的决策。