技术动态 | 知识图谱对工业组织生成式人工智能的重要作用

随着生成式人工智能开始重新定义工业格局，数字化转型领导者在实施人工智能解决方案时，需要继续应对复杂数据治理、定义精确用例以及展示直接商业价值的挑战。

在应对这些挑战中，工业知识图谱作为一种战略解决方案应运而生。正如我们将在下面详细介绍的，知识图谱通过提高数据利用率和打破数据孤岛提供了生成人工智能所需的基础。因此，工业知识图谱成为生成式人工智能时代释放有形商业价值的关键。

理解知识图谱

从本质上讲，知识图谱是信息的结构化表示，使工业组织能够更好地理解复杂数据集的关系和联系。这些数据关系是通过上下文化管道实现的，有助于创建和维护动态工业知识图谱。通过利用对情境化数据的访问，知识图谱解决了三个关键挑战：

·克服数据孤岛：在工业环境中，数据通常驻留在众多孤岛中，导致含义重复和模糊。知识图谱在打破这些孤岛、提供统一的数据视图以及增进对数据语义理解方面发挥着关键作用。

·释放非结构化数据：通过采用标准化元数据，知识图谱可以对信息进行分类和管理，增强对文档、图像和视频中存在的非结构化数据的利用，并将这些数据转化为可操作的见解。

·增强业务洞察力：知识图谱中嵌入的情境化知识、规则和语义使人工智能应用程序能够提供工业领域必要的高质量、可信的洞察力，并允许主题专家做出高质量的决策，从而增强业务流程和现场操作能力。

知识图谱在实现生成式人工智能运营方面的重要性

根据 Gartner 的新兴技术影响雷达分析，随着人工智能使用的不断增加，知识图谱的采用会迅速加速，因为知识图谱提供了与模式识别型 AI/ML 方法结合所需的显式知识、规则和语义。换句话说，知识图谱向大型语言模型 (LLM) 提供可信且经过验证的数据，并提供包含该模型的规则。当LLM与检索增强生成 (RAG)一起使用时，访问可信且经过验证的数据尤为重要。这种设计模式有助于直接向LLM提供情境化工业数据作为具体内容，以形成值得信赖的、确定性的响应。

这样，知识图谱就成为一项关键的底层技术，并充当跨业务功能的生成式人工智能解决方案的支柱，这些功能将推动诸如以下的数字化变革，包括：

·数字化工作场所（例如协作、共享和搜索）

·自动化（例如，从内容获取数据到机器人流程自动化）

·数据探索（例如，提供对结构化和非结构化数据的更深入的见解）

·数据管理（例如元数据管理、数据编目和数据结构）

尽管知识图谱具有不可否认的优势，但 Gartner 指出了成功实施的一些挑战。让我们看看如何应对这些挑战：

挑战1：不成熟的扩展方法：随着知识图谱从原型过渡到生产，在确保可靠性能、处理重复和保持数据质量的同时保持其可扩展性的方法仍在不断发展。

解决方案：为了提供可靠的性能和可扩展性，组织必须确保其知识图谱根据情境化应用需求来进行知识建模、知识获取等一系列工作，以便提供高质量、可信的见解，从而提高整个企业团队的采用率。

挑战 2：互操作性：使内部数据能够与知识图谱无缝交互（意味着连接范围、所有权、数据类型等不同的数据）仍然具有挑战性。克服这一障碍对于创建真正互联、可互操作的工业生态系统至关重要。

解决方案：为了实现互连和互操作性，我们需要确保可以访问完整记录的开放 API，以帮助促进不同数据系统、行业标准模型或第三方应用程序之间的连接。此外，拥有强大的情境化能力可确保为信息集成提供必要的上下文语义，特别是当该信息被困在孤立的数据源中时。

挑战 3：内部专业知识稀缺：尤其是在中小型企业中，知识图谱方面的专业知识稀缺。识别和访问具有必要熟练程度的第三方提供商成为一个重大障碍。

解决方案：与在构建工业知识图谱和工业数据管理方面具有专业知识的第三方提供商合作应该不会那么可怕，特别是如果您知道在购买软件时决策过程中应避免什么以及哪种软件部署类型最适合您的组织和目标。

知识图谱使工业组织能够从非结构化和孤立的数据源中提取价值。对于任何想要实施生成式人工智能计划以改善运营并加快价值实现时间的组织来说，建立动态且可互操作的工业知识图并访问高质量的情境化数据必须是第一步。

---

OpenKG

OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。

点击阅读原文，进入 OpenKG 网站。