本文指出：1简介：中游KG在上一期中的主要作用，引入了三层KG建筑设计，其主要部分是：培训主权中游域GNN模型。这种GNN模型在分支和诸如光和阴影等树干之间流动，发现了隐形根，并且该AI模型悄然咀嚼了世界的潜在逻辑。人类专家的反事实直觉就像是精神上的空气爆炸，主观判断和未来想象力的知识注射（图1）。图1GNN继续注入可能的链接到树（例如弹簧芽）。专家反应，选择和维护（例如秋天的修剪）。因此，随着有机反馈的反复，KG继续在冬季和悲伤之间扩展分支和大hon（好像它已经在Tag -Day中开发）。垂直行业的当地独家公园（中游），结合了业务的独家公园（下游）IDES主权上下文，允许LLM遵循本地海关，还允许本地专家继续更新KG（图2）。因此，“中游 +下游kg的融合设计”是AI主权实践中的主要路径之一。图2新的体系结构可以使LLM成为“经过企业培训的AI助手”：●将Midstream +下游KG用作LLM的“培训文化培训”和“工作目的说明”。 ●然后使用LORA的抹布或微调机制，只有少数数据成本可以接近业务需求的模型。 ●这些是“反事实思维”的人类控制水平，这是一种安全且创新的设计。也就是说，让LLM“伴随着本地海关”，公司可以排除更新和推理。在生成AI的迅速人口中，数据不再是资源，但是更有可能是一种风险并克服信心危机。因此，仅企业mIDStream Sovereign KG并不是LLM的替代品，而是提供可靠的上下文，从而产生可靠的判断。因此，从知识图到GNN到大型语言模型的集成，这种创新的过程使企业可以构建自己的AI系统，而不是依靠外部云平台。将来，如果它是餐饮，医疗服务或供应链管理，我们可以依靠此程序来朝着更智能和更受控的AI时期发展。 2检查：今天解释了中游KG+GNN模型培训。上述三层kg体系结构的核心是：训练主权中游域GNN模型。在训练过程中，首先是从上游DRKG读取药物实体的，该药物正在成为中游突变kg药物节点的起始特征。同时，也从向上的kDgene中读取基因实体的嵌入向量，这是中游突变基因节点的起始特征。然后，与Local机构自主癌及其数据类型，您已经准备就绪（图3）：图3这将帮助您成功培训一种转换突变数据的方法。生成一种生成一个载体的GNN模型可以生成一个节点的嵌入向量，以便将其用于流到流的任务（例如分类，群集或与图像特征等融合等）。例如，流动的任务可能结合了多模式推断的医学成像功能（超声/MRI），并且还可以进行嵌入CNN功能图像的GNN输出，以提供各种应用，例如AI辅助诊断（例如预测，分类）。 3实际示例此示例使用Python代码来练习模型培训，并与XLWINGS和OpenVino Suite配对，以提供Excel屏幕操作和环境部署。首先，打开ee01.py，如下：take-1：创建一个中游kg接下来，执行此操作（即ee01.py），然后按Excel屏幕上的Create Midstream kg按钮以创建Midstream kg（fi）GURE-2）：这个中游KG包含4个节点（节点）和5个边缘（侧）。为什么需要中游公斤？中游KG不仅允许输出结果推理，而且结合了本地知识以产生与使用情况更一致的明智推理。什么是中游公斤？它与一般数据库有何不同？中游KG是一种语义结构化的知识层，不仅存储数据，而且还允许机器理解本地知识和环境。 Midstream KG是通往行业环境的桥梁，还有助于解决LLM大学的盲区：●LLM在理解语言和发电方面很强，但容易受到“行业知识环境的准确性”的影响。 ●和中游KG源自当地知识，区域文化，专业vocabulary和历史案例，例如工业，地区，语言和语义（例如处理同名医疗疾病的不同方法），从而增强了理解的理解模型的上下文并提高语义精度。这是为“ LLM不了解地点和细节”生成的主要所有权。 ●中游KG允许LLM“伴随您的风俗”，专业地说话并了解该领域，并且可信赖的AI-AT的背景知识层是，让我们c：/ox_m3_embeddgins/，并且在测试现实测试上进行测试。并独立成长。业务流程。 ●当应将AI模型智能部署到各种终端设备（EDGE）时，该中游KG可以提供实时上下文中的信息。 ●这使AI模型不仅能够理解，而且可以明智地理解并更新到本地知识。由于上下文支持，该模型可以自动或半自动地进行研究或进行校正建议，以提高本地变化（新过程，新规格），从而提高了连续AI更新和维修的能力，并降低了建模M的风险奥德尔。可以在本地部署中国公园，而无需向云发送大量敏感数据，并且满足了诸如GDPR和CCPA之类的合规性需求：数据保护和主权保护。如果是CPU，GPU，VPU或其他异质硬件，则不同的扩展环境（例如OpenVino）可以在中游KG中组合，以允许部署一侧实时获得“智慧的上下文祝福”，而Kakreallylallyly将设备适应设备和异体环境。探索3：探索CF_LINKS接下来，按探索CF_Links，GNN探索反事实边缘（CF_Links），例如：对于具有ID的癌症，GNN探索了3个反事实边缘，然后提出了潜在的药物建议（如上图所示）。目的是探索GNN的反事实边缘，以激发人类专家的反事实思维（cf_think）。人力计算机的合作完成了知识和人工智能的诞生，这很容易解释推理。这是主权AI的管理，它保持人类的统治地位并防止AI降低或误导。也就是说：人类CF +创新决策。然后，更新专家Ng Man的创新决策，以恢复KG，这成为活着的KG中的静态KG，该KG已成为AI推理所拥有的动态，并将LLM的回应与企业知识相结合。因此，完全实施了人类计算机合作的接触反射反射反射模型，并实施了主权AI的精神。 4结论中游在整个行业中的实际好处是：●单独的单向趋势模型：此方法是“知识推理 +人类决策”的双重周期，而不是死数据库，或者是死去的预防措施●对反事实思维（CF思维）的整合（CF思维），尤其是财务上，尤其是财务上，在财务上，构成工业，模仿... ●主权AI治理的完整框架：In添加阳性扩展，设计了人类计算机符号的知识和更新的控制版本。这是主权AI中最困难，最困难的部分。