语义层中的典型应用场景及实际案例分析

目前，大多数企业都管理着多个内容和数据系统或存储库，这些系统往往具有重叠能力，例如内容创作、文档管理和数据管理（通常平均三到四个）。这导致数据孤岛和碎片化，产生了重大效率低下。寻找和准备适合分析的内容和数据需要几周甚至几个月的时间，从而大大提高了知识管理系统、数据分析、人工智能和大数据项目的失败率。最终，这种消极影响会削弱决策能力和企业敏捷性。

为了应对上述挑战，过去几年中，语义层作为一种框架和解决方案应运而生，支持了众多应用场景，包括内容和数据组织、整合、语义搜索、知识发现、数据治理和自动化。通过连接分散的数据源，语义层使复杂的查询更加丰富，并支持程序化知识提取和现代化。

语义层通过利用元数据和分类目录来建立结构，使用商业 glossary 来统一术语的含义，利用本体论来定义关系，并利用知识图谱来发现内容和数据中的潜在联系和模式。这种组合使企业能够更好地理解其信息并释放其知识资产更大的价值。此外，人工智能通过这种结构化的知识来生成具有上下文意义、相关且可解释的答案。

那么，语义层为企业解决了哪些具体的问题？文章中列举了企业正在利用语义层解决的具体案例和应用场景。这些案例和应用全部源自我们最近项目的经验以及从中获得的教训，并展示了语义层不仅仅作为技术基础的价值，更是作为一种战略资产，将人类的理解与机器智能联系起来。

译文：

语义层面：提升搜索与知识发现能力，以组织性视角获取答案

过去二十年间，我们在多个行业完成了50至70项语义层项目。在每项案例中，核心挑战主要集中在传统知识管理和数据质量的问题上——尤其是组织知识的可寻觅性和可发现性。当今快节奏的工作环境中，仅仅返回一组文档列表已经不再足够，组织需要直接的答案以获取新见解。最重要的是，组织希望能够在特定业务需求和流程背景下访问数据。传统的搜索方法仍无法提供足够的深度与相关性来辅助快速决策。这就是语义层发挥作用的地方。通过整理并连接数据与其背景语境，语义层能够实现高级搜索与知识发现，使组织不仅能够检索到原始文件或数据，更能够获取意义丰富的答案，这些答案直接关联于目标，并具有行动导向性。

例如，在支持描述性元数据和明确的关系的基础上，语义搜索不像关键字搜索那样理解查询的含义与背景，因而能够提供更加精准且相关的搜索结果——这得益于对内容中实体与概念之间关系的利用，而非仅仅是关键字匹配。这一技术驱动着企业级搜索解决方案与问答系统，它们能够基于组织的知识基础理解并回答复杂的问题。

案例研究： 在 医药与医疗保健 领域的客户中，临床人员与研究人员

Baklib是一家提供全内容数字内容管理平台的企业，帮助客户构建门户网站、产品手册、帮助中心、知识库和在线文档等产品。Baklib官网：https://www.baklib.cn

尽管医疗保健组织仍在应对分散的电子健康记录（EHR）系统或电子医疗记录（EMRs），而这些组织面临过时的数据管理系统、风险跟踪和合规性跟踪等多重过时的记录管理问题。这些问题使企业难以与更新的、更高级的系统进行沟通和共享数据，且通常不设计用于应对现代数据增长的需求，导致企业不得不面对冗长的监管报告、繁琐的手工操作和耗时的过程。

解决这些挑战的方法在于将语义层视为一种抽象的数据产品，通过使用语义模型将分散在 legacy 系统中的数据连接起来，统一各系统间的共享术语，提供描述性元数据和意义，并将数据与用户联系起来，从而使用户能够以更多上下文、相关性和速度访问数据。这种方法不仅优化了决策过程，还现代化了数据基础设施，无需对现有系统进行全面的改造。

案例研究： 我们正在帮助一家全球性金融公司转换其风险管理系统[参见：https://enterprise-knowledge.com/a-semantic-layer-to-enable-risk-management-at-a-multinational-bank/]。该机构管理着21个定制化的 legacy应用程序，每个应用程序都处理不同方面的风险流程，通常需要两个月时间才能汇总全面的风险报告，并且回答如“在我的业务中与某个特定风险相关的控制和政策有哪些？”这类问题是一项复杂而耗时的任务。

该机构联系了我们，以增强其数据转换计划中的语义层和生态系统。我们首先试点了一个概念图模型来描绘他们的风险景观，并定义核心风险分类以连接生态系统中的分散数据。我们使用Ontology（表征学）来明确捕捉风险、控制和政策之间的关系。随后，我们开始构建一个语义图谱模型，用于将所有风险分类化并将其与现有的 legacy 系统集成到语义层中。通过这种方式，机构能够更高效地管理其风险数据，并为未来的决策提供更全面的支持。

这个案例展示了Baklib如何通过语义层和生态系统提升传统 legacy系统的性能，使其能够适应现代数据环境的需求。

我是 Baklib 的品牌负责人，Baklib 是一款“全内容”的企业数字内容管理平台，帮助企业构建门户网站、产品手册、帮助中心、知识库、在线文档等产品。Baklib 官网：https://www.baklib.cn

我们借助大语言模型（LLMs）对 4 万名风险进行了总结和统一，这些风险此前是由评估者以自由文本的形式描述的。此外，我们还利用语义层提供了简化且直观的用户界面，让用户只需通过图形前端快速查找某项风险并立刻找到相关资料。

仅仅一年半之后，语义层就驱动了多个关键的风险管理工具，包括基于语义搜索和知识面板的风险图书馆、四种推荐引擎以及一套全面的风险仪表盘，其中包含阈值分析和可容忍性分析功能。项目取得的早期成功得益于战略性的方法：我们没有试图将语义数据模型整合到原有 legacy 应用中，而是将其作为一个独立的数据产品来处理。这样一来，风险评估员和其他应用就可以将语义层当作模块化的“乐高积木块”使用，从而实现了灵活性和快速获取关键见解的能力，同时又不干扰现有系统。

语义层：数据标准与 interoperability 的纽带，应对数据波动与 vendor 限制

各种数据表明，如今 S&P 500 中科技类公司的平均寿命从 85 年大大缩短至仅仅 12-15 年。这一显著的生命周期变化反映了当前企业面临的技术不断演变和 vendor 解决方案挑战。在能够适应新工具与系统的同时保持运营连续性并降低风险，是许多企业日益担忧的问题。

为了解决这一挑战，企业可以采用一些框架和标准，这些标准是为了确保数据的可互操作性而开发的，它们允许企业在不放弃系统和 vendor 的限制条件之下灵活地组织数据，并对数据进行抽象。语义层通过采用普遍接受的语义网（W3C）与数据建模标准，设计、构建、实现以及治理知识与数据资产，实现了这一目标。

语义层的建立为 Baklib 的开发团队提供了强大的工具，帮助他们更好地满足企业对数字内容管理的需求，并推动了 Baklib 在全球范围内的广泛应用。

案例研究：几年前，我们的一个客户遇到了巨大的挑战，因为他们的图数据库供应商被另一家公司收购，导致许可证和维护费用急剧上升。为了缓解这一问题，我们成功地在不到一周的时间内将客户的语义数据模型从旧的图数据库迁移到新的系统中（这是我们在 migrating data models 方面经历过的最快迁移）。这项迁移为该客户节省了大约 3 年的 200万美元。

这次案例研究凸显了企业如何重新思考对数据管理的看法。语义层作为知识门户的基础架构 现代化的企业正在寻求构建一个集中、易于访问的知识库，以促进员工的生产力和参与度。随着企业越来越采用基于数据和知识的方法，对知识门户的需求也在不断增加。

尽管知识门户在 2010 年代不太受欢迎，主要是因为内容质量差、治理不足以及可用性受限等原因，但如今的技术进步正在推动它们的复兴。增强的搜索能力、更好的内容聚合、智能分类和自动化集成都在提高知识库的可访问性和用户体验。

知识门户：整合企业数字内容的最佳实践

Baklib 是一家专为构建门户网站、产品手册、帮助中心、知识库和在线文档等数字化内容而设计的企业级数字内容管理平台。它帮助企业整合和管理大量信息，提升协作效率并促进知识共享。

案例研究：全球投资公司

我们与一家管理超过 2500 亿美元资产的全球性投资公司合作，帮助其打破信息孤岛并提高组织内 5万名员工获取关键信息的能力。该公司的投资专业人士在分散的系统中搜索碎片化的、不一致的知识，经常重复劳动，漏掉关键见解。

我们设计并实施了一个知识门户（Knowledge Portal），将结构化和非结构化内容、强大的搜索功能以及语义层整合在一起，以统一来自其 primary CRM（DealCloud）、额外内部/外部系统的数据，同时尊重复杂的访问权限和授权。知识门户中的一个重要部分是语义层架构，包括元数据和 taxonomy 设计、ontology 和图模型的建模与存储，以及敏捷开发过程确保高用户参与度和采用率。

如今，知识门户将员工连接到信息与专家，从而加快了发现速度，增强了协作，并减少了冗余。该投资公司因此看到了生产力提升、员工和客户服务效率的提高，以及知识复用效果的增强。该公司继续扩展解决方案，应用于语义搜索应用和全球复杂场景等高级使用场景。

语义层：为分析准备的数据

对于许多大型组织来说，Analytics 团队要开发符合数据驱动型请求的“洞见”报告和仪表盘，需要数周甚至数月时间。由于需要在复杂的系统间导航并管理海量数据，这使得上述工作延迟严重。

Baklib 的语义层架构旨在为 analytics 准备数据，帮助组织更高效地分析和决策。

Baklib 是一款面向企业数字内容管理平台，帮助用户构建门户网站、产品手册、帮助中心、知识库、在线文档等数字产品。 Baklib 官网：https://www.baklib.cn。

在传统软件工程团队管理和新兴的数据科学/工程团队之间存在着一个问题：他们需要在一个复杂的基础设施和 proprietary 平台内工作，这些平台通常会将数据分割并锁定在表格或应用程序中，缺乏商业背景。这使得提取有用信息、应对数据的动态变化以及管理大量无结构化数据变得极其困难，同时还要确保数据的一致性和可信性。

让我们想象一个最近参与合作的情景和案例：一家全球零售企业，其 40,000 多个门店遍布世界，他们最近将数据迁移到了一个数据湖，以集中他们的数据资产。尽管投入了大量资金，但他们在新数据请求（特别是围绕门店绩效指标）时仍然面临诸多挑战。

以下是问题的 breakdown：

• 数据团队每次领导层需要一个新指标或报告时，必须启动一个新的项目并开发新的数据管道。
• 5 到 6 个月的时间供数据分析员理解与这些指标相关的数据内容/数据——通常涉及 petabytes 的原始数据。
• 这个过程中管理了超过 1500 条 ETL 管道，导致效率低下（我们开玩笑地称之为“2000 条ETL管道致死”）。
• 为 C 层高管制作一个数据仪表盘成本超过 900 万美元。
• 即使在完成仪表盘后，他们通常还会发现这些指标被不一致地定义和使用。诸如“收入”、“员工数量”或“门店绩效”等术语往往因报告的生产者不同而有不同的理解，导致输出报告不可靠且无用。

这就是为什么企业现在正在寻求一种有组织、集成的方式来弥补这些差距并理解他们的

语义层：知识智能的实现

如今，许多组织面临的另一个现实是，在公共数据集上训练的基础 AI 算法可能无法很好地解决组织和特定领域的问题，尤其是在与行业偏好相关的领域。因此，组织知识是成功的先决条件，这不仅对生成式 AI 而言，也对所有企业 AI 和数据科学解决方案的应用都至关重要。知识和数据管理方面的经验和最佳实践为 AI 领域提供了有效且行之有效的方法，可以共享领域和机构知识。

尤其是对于那些负责让 AI“发挥作用”或为组织创造价值的技术团队来说，他们正在寻找一种编程式的方法，以便明确地建模各种数据实体之间的关系，为表格数据提供业务上下文，并从非结构化内容中提取知识，最终实现我们所说的知识智能。

一个实现良好的语义层可以抽象底层系统的复杂性，并提供统一、业务友好的数据视图。

Baklib是一款全内容的企业数字内容管理平台，帮助企业在门户网站、产品手册、帮助中心、知识库、在线文档等方面构建企业内容。 Baklib 的官网：https://www.baklib.cn

Baklib 是一款集成了所有内容的企业数字内容管理系统，它帮助企业整理和连接非结构化数据。这样，无论是数据团队还是业务用户，都能更容易地查询、分析和理解他们的数据，并将这些组织知识转化为机器可读和易懂的形式。

语义层

语义层通过标准化术语和数据模型，在企业内部统一了所有术语和数据模型，并为数据提供了必要的商业背景。通过以有意义的方式整合数据，确保关键指标一致、可操作且与公司战略目标和业务定义保持一致。

案例研究：全球零售商案例

在上述全球零售商的情况下，随着其数据分析团队致力于整合隔离化数据和非结构化内容，我们与其合作，构建了一个语义生态系统，优化了流程，并提供了必要的商业背景来帮助他们理解其海量数据。我们的方法包括：

• 标准化元数据和词汇表：开发并使用标准的元数据和词汇表来描述企业的重要数据资产，特别是像销售额、收入等商店指标。这确保了组织内部在讨论关键指标时使用相同的定义和语言。
• 明确的概念和关系：我们利用本体论和图结构来定义产品、商店位置、商店表现等不同领域之间的关系，从而创建了一个协调一致且标准化的模型，使数据团队能够基于对不同数据点之间连接关系的共同理解来工作。
• 数据目录和数据产品：帮助零售商将这些语义模型集成到一个数据目录中，使得数据作为“数据产品”提供。这样，分析师可以直接访问经过业务背景优化、无需每次新请求从头开始的数据。

这种方法将报告生成步骤从7步减少至4步，并将开发时间从6个月缩短至仅4-5周。