コアテクノロジー
商業的権利と天才発明家を持つ唯一の会社
よりスマートなデータとツール。 人のために作られました。
35年を超える応用双曲線3次元トポロジーの研究開発に導かれた...
複雑な適応システムを理解するために構築
リレーショナルAIは、各個人を理解し、動的な環境にどのように適合するかを理解します。 当社の技術は、複数のソースからのデータを組み合わせて、人、場所、物の間の関係に基づいて、複雑で文脈的な理解をします。
パーソナライゼーションのために開発
リレーショナルAIは、データを型にはめるのではなく、独自の状況から学習します。 リレーショナルAIは従来の機械学習とは異なり、同じ内容であっても人それぞれ解釈が違うことを理解しています。 私たちのAIは各個人に双曲線レンズを使用し、それぞれの関係に対して科学的意味を関連付けます。 私たちは意味を押し付ける必要はありません。データに語らせます。
分散型適応システム推論のために構築
当社のリレーショナル A.I. ベクトル エンジン + スマート マネージド サービスはエッジ デバイスで実行されます。 当社の適応システム推論は、ユーザーを取り巻く複雑な環境において継続的に改善します。 これにより、リレーショナルAIをより速く、より安全に、分散させてパーソナライズできます。
主な特徴
新しい数学的アプローチ：双曲型3次元トポロジー
従来のAIが解決できない問題を解決
リレーショナルAIは、時間の経過や様々な状況での発言、行動、感情の関係をマッピングすることにより、個人の独自性を理解します。 マッピングでは、複数のソースからの信号を使用して、個人ごとに複雑な文化的、道徳的、感情的なレンズ、またはベンチマークを作成します。 各レンズはその個人の世界観を表し、個人、グループ、または概念を比較して、感情的、道徳的、文化的な違いを理解することができます。
概要
レイヤード ベクトル クラスター パターン トリム (LVCPT)は、信号と意味の間の関連付けを何層も作成することから始まります。 LVCPTの他との違いは、信号のグローバルプロパティとローカルプロパティの両方が保持されることです。 これは、幾何連想メモリに適応型システム推論を行うために必要です（利点とその方法については、関連するタブをご参照ください）。
最高のLVCPTレイヤーであるグローバルベクターレイヤー（GloVe）は、内部システム（感情など）および外部システム（意見や行動など）の信号を抽出し、それらをより高いレベルの概念、エンティティ、または意味に関連付けます。 これは、単語の普遍的な意味を理解しているスタンフォードのグローバルベクトル単語表現に似ていますが、（1）単語だけでなくマルチモーダル信号（言語および非言語）を処理し、（2）複数の 単一レイヤー内の同じアイテムのレンズに対応することで先んじています。
他のすべてのレイヤーは、単一の3アイテムグルーピング、トークン、トークンシーケンス、ベクター、コンセプト、多様体、個人など、ローカルに関連するアイテムのクラスターを表すローカルベクトルレイヤー（LoVe）です。 グローバル層の普遍性は、ローカル層内の関係の理解を説明するのに役立つことを意味します。 それがこのプロセスを非常に強力にし、弊社のAIが他のAIに大幅な改善を提供できる理由です：グローバルレイヤーの多次元性は、さまざまな信号を使用して複雑な状況を理解し、この状況理解を使用してローカル層でより正確で低コストに関連付けを発見できることを意味します。
既存AIに先んじる
一般的なAIはユークリッド変換を使用して、処理できる信号の数を制限し、ワールドビューを単一のレンズに制限します。 このタイプのユークリッドAIは、より高いレベルの概念を要約することも、他のレンズとどのように関係するかを理解することができません。
対照的に、リレーショナルAIは複数のソースからの信号を処理し、幾何学的連想メモリと適応システム推論を備えた双曲線3次元トポロジに依存しているため、複数の視点と意味の層を記憶できます。 リレーショナルAIの階層化ベクトル化アプローチは、AIがローカルレイヤーで提供するデータからだけでなく、リレーショナルの上位レベルのアイデアからも学習することを意味します。 グローバル層で適用する概念、エンティティ、またはシステム。 これが、私たちが一般的なAIを90％を超える精度の修正フィードバックで改善できる方法です。– AIはより多くのデータをより高い次元で処理し、非線形で複雑な関係を識別します。
リレーショナルAIは、ほとんど教師なしの機械学習です。 「ほぼ教師なし」と言うのは、車のエンジンと同じように物事を動かすためにスターターを必要としますが、その後は単独で動作するためです。 「スターター」は、双曲線3次元多様体内の位置座標として表される、より高いレベルの概念、エンティティ、またはシステムの意味のまばらな明示的または暗黙的な要約からのガイダンスです。 このガイダンスを使用し、 ジオメトリックアソシエイティブメモリ（非線形連想メモリを適用して非線形信号パターンを分類し、それらに意味を関連付けます。 ジオメトリックアソシエイティブメモリにより、適応型システム推論が可能になります（利点とその仕組みについては、関連するタブを参照ください）。
概要
概念、人、経験、物などのアイテムを幾何学的双曲線3次元多様体にマッピングします。 私たちのアルゴリズムは、各種信号（例えば話し言葉、声の感情、行動など）の集合で多様体を定義します。 次に、幾何連想メモリからランダムに均一にサンプリングして、アイテムに関連付けられている最も近い多様体を検出します。 これが、弊社AIがコンテキストを解釈する方法です。
統計データ科学ではなく、共有の客観性
双曲線レンズを使用して、リレーショナルAIは多様体間の類似性と差異を測定します。これは、コミュニティ内の人々の類似性や2つの文化的および道徳的観点の理解の違いなど、アイテム間のより高い体系的な差異です。
リレーショナルAIを強力にするのは、ノットシーケンスの使用です。 ノットシーケンスにより、同時信号を幾何連想メモリの単一の一時ポイントに一致させることができます。 つまり、どの時点でも、数百万のマルチモーダル信号を表示し、個人の文化的、道徳的、政治的、科学的信念を表す非線形関係を発見できることを意味します。
単一の時点をマッピングできるだけでなく、多様体群として表される一連の時点をマッピングすることもできます。 このシーケンス効果は、ミリ秒ごとに撮影され、時間順に並べられた各画像フレームのピクセルから作成されたビデオシーケンスの効果に似ています。 異なる点は、シーケンスが特定の瞬間のローカルレベル（LoVe）構造とコンテキスト（Layered GloVe）の多くを簡潔に要約していることです（ たとえば、音声（「That’s so cool！」）、画像（興奮した顔、ロケットの発射を指す手）、感情（高いポジティブな興奮と覚醒）、および生理学的データ（心拍数）など。 リレーショナルAIには、点とシーケンスの増え続ける多次元の組み合わせのレイヤーに双曲線3多様体学習アルゴリズムを適用する柔軟性があります。
リレーショナルAIには、「適応システム推論」と呼ばれるものがあります。 これは、IoTデバイスとAIのリレーショナルインテリジェンスを継続的に改善するためのスマートマネージドサービスです。 適応システム推論は、「高速サイクル」と「低速サイクル」の2つの処理サイクルで構成されています。 高速サイクルは、周囲の世界（他の人、場所、物など）およびパーソナライゼーションとの関係で各個人をトリガーするものをノイズから発見します。 低速サイクルは、特定のトリガーとその周辺の複雑な適応システムの原因/影響を説明するために科学的な推論を追加します。 これは、双曲線3次元デザイン、幾何連想メモリ（利点とその方法を理解するための関連タブを参照）および分散アーキテクチャ（利点とその方法を理解するための関連タブを参照）によって可能になります。
概要
高速サイクル 散らばった入力からのマルチモーダル信号の意味付けをします。 異種のデータセット （LinkedIn / CRM / Smart City、Office 365 / Building IoTなど）を結合して、個人（グローバルベクトルシステムの形式：GLoVe多様体）の周囲の複雑な適応システムに関連する個人（ローカルベクトルシステムの形式：LoVe多様体）を理解します。 GAMと分散アーキテクチャを使用する高速サイクルは、リレーショナルインテリジェンスのベクターランタイムサイクルです。 分散型でデータ駆動型です。 リレーショナルインテリジェンスAIは、LoVeグラフを、GloVeグラフおよび科学的多様体に関連する個人の多様体にマッピングします。 さらに、個人がデータを所有しているため、セキュリティが強化され、オプトイン機能とデータの共有と転送の制御が強化されています。
低速サイクルは 足場と考えることができます。これは、Wikipediaで体系化された既知の科学パターンと、一般公開ジャーナル（researchgate.netやarxiv.orgなど）のWebドキュメントをモデル化する出発点です。 低速サイクルは構造ラベルを作成し、Fast Cycleによって発見された非構造化された実世界のパターンをコンテキストの客観的な解釈に関連付けることができます。 これにより、データの解釈がデータサイエンスによって提供されるものよりも偏りが少なくなります。
高速サイクルが既知のレベルを持たない新しいパターンを発見すると、それらの新しいパターンをガイド付き学習ツールに公開し、研究者が観測したパターンを説明する仮説を作成およびテストできるようにします。 ガイド付きの研究ツールから学習することで、このタイプのラベリングはプロアクティブかつリアルタイムになり、リアクティブデータサイエンスよりも高速なパターン認識と正確性を実現します。
リレーショナルAIには分散型アーキテクチャがあります。 これは、双曲3次元多様体設計、幾何連想メモリ、および適応システム推論によって有効になります（利点とその仕組みを理解するには、関連タブを参照してください）。 ノイズを除去することにより、原因と結果の説明を継続的に改善します。 リレーショナルAIは、マネージドサービスとして実行することも、組み込みランタイム環境に分散させることもできます。 リレーショナルAIは、既存のIoTデバイスとAIを複雑な適応システムに接着するアップスタックレイヤーエンジンです。
概要
Ipviveの教師なしグラフのスパース化では、分散化を使用してエッジ処理の効率を向上させ、パーソナライズ化させます。何十億人もの人々がたくさんのデータを生成し続けるなか、IoTデバイスの組み込みAIによる分散処理（「エッジ処理」）は、非常にリスクが高く高価な集中データ処理を回避するのに役立ちます。 リレーショナルAIベクターのランタイムサイクルはエッジで動作します。つまり、サーバーにデータを移動する代わりに、デバイスにデータを残すことができます。 これは、結果処理の高速化とデータプライバシーの向上を意味します。 さらに、個人およびグループレベルで教師なしのグラフ管理を使用してIDを安全にチェックし、データの代わりに価値を提供し、分散型台帳技術を使用してトランザクションの速度と効率を向上させます