Yapay zeka alanında bilgi grafikleri (knowledge graphs), natural language understanding ve öneri sistemleri gibi geniş bir uygulama yelpazesinin temelini oluşturuyor. Bu grafiklerin sadece sembolik üçlüleri (subject-predicate-object) değil, aynı zamanda sayısal öznitelik değerlerini de kullanarak yeni bilgiler çıkarması, gelecek vadeden ancak henüz yeterince keşfedilmemiş bir araştırma alanı olarak öne çıkıyor.
Mevcut yöntemlerin karşılaştığı en büyük zorluklar arasında, varlıkları, ilişkileri ve sayısal öznitelikleri tek bir temsil uzayında birlikte kodlayamamak yer alıyor. Bu durum, modellerin sayısal bilgilerden ilişki-farkındalı semantiği çıkarma yeteneklerini sınırlıyor. Öte yandan, yakın değerler arasındaki ince farklar ve örnekleme dengesizlikleri nedeniyle, modeller özellikle zor negatif örnekler karşısında ince ayarlı sıralama ilişkilerini yakalamakta başarısız oluyor.
NumCoKE yaklaşımı, bu sorunları çözmek için uzmanların karışımı (mixture-of-experts) ve karşıtlı öğrenme (contrastive learning) tekniklerini birleştiriyor. Sistem, sayısal değerler arasındaki sıralama bilincine sahip bir yapı sunarak, 'daha uzun', 'daha ağır' gibi karşılaştırmalı ilişkileri daha etkili şekilde anlayabiliyor.
Bu gelişme, yapay zekanın sayısal verileri işleme kapasitesini artırarak, bilgi grafiklerinin daha geniş bir uygulama alanında kullanılmasının önünü açıyor ve AI sistemlerinin gerçek dünya verilerini daha doğru yorumlamasına katkı sağlıyor.