Gartner：使用知識圖解決數據集成問題

根據2021年Gartner AI in Organizations調查，AI采用的前六大障礙中的三個與數據復雜性、質量和可訪問性有關。知識圖——鏈接網絡中實體的圖形表示——有可能解決許多對人工智能的使用構成重大障礙的數據集成挑戰。

為了在企業級別成功構建知識圖譜，數據和分析(D&A)領導者必須采用敏捷方法。以下是在整個組織中釋放AI力量的三個關鍵步驟。

與任何數據科學、分析或AI計劃一樣，在開始項目之前找到正確的用例。

通常，知識圖譜計劃始于價值主張。您的組織將能夠連接存在于孤島中的企業級數據，為構建應用程序提供一個平臺，這些應用程序可以利用圖表中存在的固有鏈接和上下文。但是，請注意，最常見的挑戰將是不愿意或缺乏商業支持來投資它們，因為收益仍不清楚。

知識圖譜最流行的三個應用是語義搜索和問答。知識發現；和推薦引擎。

語義搜索通常以熟悉的信息框的形式出現，谷歌在搜索信息時將其顯示為圖形的輸出。從各個角度來看，使用知識圖增強組織的搜索能力提供了執行復雜查詢的能力，這些查詢使用圖中定義的關系引用多個文檔或來源中的知識。

同時，知識發現是知識圖譜的應用，用于發現以前未知或隱藏的信息。例如，通過在圖形結構和操作語義中對實體和關系進行建模，它可以發現對患者的潛在治療方法、對制造商來說更具成本效益的新材料，以及實施逃稅的欺詐性公司。

最后，推薦引擎現在是許多在線商店、個人助理和數字平臺的熟悉組件。它們在很大程度上已經商品化，以至于許多電子商務平臺的洞察引擎和分析工具都包含了某種形式的它。

雖然在這些域和子域中使用圖本身就帶來了好處，但當它們可以跨域連接以形成企業知識圖時，圖的真正威力才得以實現。然后可以將其用于數據結構和數字孿生等應用程序，其中業務流程和決策在虛擬環境中復制。

許多組織試圖首先定義企業范圍的模式、本體或分類，但這是一個錯誤。這樣的努力代價高昂、耗時，充滿分歧，而且在許多情況下，在任何價值得以展示或交付之前就停止了。知識圖譜不斷發展，因此，敏捷實踐在開發知識圖譜時特別有用。

構建知識圖譜的最佳實踐相結合將產生更快、更有影響力的結果：使用現有標準、模式和本體作為起點；提取需要建模的關鍵術語列表；并從業務詞匯表和數據字典中添加手工制作的規則、實體屬性和關系。

通過考慮最小可行圖（MVG）和最小可行本體（MVO），可以將最小可行產品的概念轉移到知識圖開發中。這意味著只定義與圖中的實例數據相對應的定義能力所需的概念和關系（本體）。

以這種模塊化方式組成本體，同時利用敏捷實踐，提供了一種靈活和動態的方式來實現企業標準化。開發此MVO后，將針對正在交付的用例和任何現有圖表對其進行測試。然后可以針對MVO填充實例數據，以創建一個MVG，當需要和定義更多概念時，該MVG可以迭代擴展。使用這種方法，可以從小處著手，但在交付價值的同時迅速擴大規模。

一旦開發了MVO，通過基于本體填充實例數據圖來測試和使用它。知識圖譜開發項目應確保遵守“交互式”和“增量”的敏捷實踐。

隨著采用機器學習技術的數據目錄解決方案的引入，對存儲庫中保存的數據（包括結構化和非結構化數據）進行分析變得更加容易。這些解決方案可以自動化發現、清點、分析、標記和創建分布式和孤立數據資產之間的語義關系的過程。

知識圖譜開發必須是業務部門和IT之間的協作過程。領域專家將對構成本體的實體和關系發表見解。數據科學家將研究如何利用可用數據實現本體，而IT將需要確保構建知識圖譜的平臺是健壯且可擴展的。軟件工程師將利用知識圖譜來滿足數據密集型應用程序的數據需求。