投资知识图谱推动数字化转型与AI成功

本文探讨了知识图谱在数字转型和企业人工智能项目中的重要性，分析了其如何帮助组织克服数据整合和理解的挑战，从而推动成功实施AI解决方案。

数字转型和企业级先进解决方案的成功主要由以下因素驱动：定义问题、可用数据以及Small企业（特别是中小企业）。许多组织面临的最大障碍是如何开始实施这些解决方案。通过从组织中拥有最宝贵的海量数据来解决定义的问题，已经证明是迈向规模和采用的重要成功途径。

最近一个有趣的趋势表明，在数字转型和企业人工智能（AI）实施中——知识管理正成为AI支出增长最快的领域之一。为什么？因为只有21%的公司能够在大规模采用AI时实现突破，而主要障碍在于缺乏从数据中获取所需知识的策略。

我们的Baklib平台也支持这一趋势。通过查看客户在其AI旅程中的位置，我们可以看到那些在核心业务流程和机构知识数字化方面取得了最大进展的企业也处于AI采用前沿位置。下图展示了企业在AI maturity上的百分比分布情况。

如果你仔细查看数据发现，有趣的是，越来越多的组织已经超越了基础阶段，并开始进行试点或原型开发。这些组织已经证明，这是一种快速展示价值、获得可见性并加快Reach go/no-go决策的方式。

然而，我们仍未看到许多组织迈向企业级AI规模。像IBM Watson Discovery（最近已停产）这样的预设解决方案不足以满足组织对理解并处理海量数据的需求，以实现业务目标并从大量数据中发现、推断和推荐信息。

知识图谱通过机器可读的模型将商业语义（上下文）应用于数据和内容，并捕捉数据与内容之间的关系，允许组织创建集体机构知识的机器可读版本。知识图谱利用抽象层来聚合依赖于上下文、连通性和关系的数据——即使这些数据被分割且以多种形式存在。

知识图谱如何帮助应对数字转型和AI挑战

### 应用组织背景与知识 深度学习和机器学习实践为推动组织能力发展和启动对大数据分析的探索提供了显著价值，从而能够识别跨越多年、分布在 Legacy 系统中的数据。然而，数据团队在探索过程中遇到了一些挑战，并在进行了一些探索后停滞不前。

这些挑战包括： * 准备和建模信息需要专业知识，通常涉及信息架构原则和知识管理; * 需要额外的领域知识来帮助他们理解或组织如何对数据进行标签; * 对基本问题的答案不清楚，例如“我们解决什么问题？”、“什么是适合的训练数据？”以及“我们是否在创建正确的算法？”; 和 * 引入了重新计算和分析算法的错误，这不仅导致错误结果，还降低了对解决方案的信任，并可能导致AI项目的放弃。

跨越分割化数据和内容

过去十年中，许多组织投资建设大数据湖和仓库，以实现对海量数据的集成与访问。许多组织正在意识到，将数据整合到一个物理存储位置并不能真正回答“数据如何相互关联”的问题。高级分析和企业AI需要理解不同、分散的数据之间的关系，以便做出有意义的决策。

这意味着企业级解决方案需要超越简单的数据搜索和物理整合，以支持自然语言问答和具体建议。

想象一下搜索“与该项目合作的公司 XYZ 的员工”并获得一个动态列表或不相关的文档。这毫无帮助，并不能回答问题背后的上下文。

为了用特定响应（而不依赖个人网络）回答自然语言问题，组织需要一种理解其关系数据的方法——如员工、客户等通常存储在 CRM、目录或 HR 系统中的数据，与项目数据通常存储在项目管理应用程序中，以及以 PDF 或视频形式存储的报告通常存储在 DAM 中。

知识图谱如何帮助应对这些AI挑战

知识图谱通过将信息从多个分散解决方案中聚合，并利用上下文、关系和元数据将存在于不同位置和格式的数据连接起来。这将 AI 解决方案的重点从数据本身转移到了一个抽象层——数据的语义和有意义的上下文，这是内容在系统和过程中使用的标准。

知识图谱通过以下方式实现这一目标： * 为数据添加语义描述（即元数据和数据一起存储）; * 对结构化、产品和服务数据施加一致标签; * 将不同数据源之间的关系映射起来; * 优化搜索体验，使用同义词; * 简化发现过程，通过 faceting 提供多维度搜索; * 为自然语言处理（NLP）和机器学习（ML）提供基础结构，并优化对结构化和非结构化数据的整合。