0
現(xiàn)在的市場環(huán)境下，企業(yè)正面臨著競爭逐漸加劇、人力成本增加、人員流動率加快等挑戰(zhàn)。而隨著企業(yè)經(jīng)歷了信息化的成熟階段，沉淀了大量的數(shù)據(jù)，大型的企業(yè)都開始了數(shù)字化轉(zhuǎn)型，它們利用前沿的技術(shù)、海量的外部數(shù)據(jù)以及內(nèi)部積累的業(yè)務數(shù)據(jù)上下游的關(guān)聯(lián)客戶，將數(shù)據(jù)轉(zhuǎn)化為專家的經(jīng)驗知識，從而提高工作效率和產(chǎn)品銷量，并增強產(chǎn)品的用戶體驗。而知識圖譜，則在企業(yè)的數(shù)字化轉(zhuǎn)型中扮演了重要的作用。
近日，在雷鋒網(wǎng) AI 研習社第 3 期職播間上，北京知識圖譜科技有限公司 CEO 進行了招聘宣講，并分享了如何利用知識圖譜產(chǎn)品賦能企業(yè)數(shù)字化轉(zhuǎn)型。公開課回放視頻網(wǎng)址：http://www.mooc.ai/open/course/554?=aitechtalkwugang
吳剛：中科院軟件所碩士，師從軟件所總工戴國忠研究員，主要研究方向為人機交互與智能信息處理，曾在湯森路透擔任中國區(qū)首席顧問?，F(xiàn)任北京知識圖譜科技有限公司 CEO、中文信息學會語言與知識計算專委會委員、開放知識圖譜聯(lián)盟成員。
分享主題：知識圖譜賦能企業(yè)數(shù)字化轉(zhuǎn)型
分享提綱：
1、公司介紹與職位介紹
2、知識圖譜技術(shù)概述
3、企業(yè)機遇與挑戰(zhàn)
4、知識圖譜賦能企業(yè)數(shù)字化轉(zhuǎn)型
5、知識圖譜落地挑戰(zhàn)與趨勢
雷鋒網(wǎng) AI 研習社將其分享內(nèi)容整理如下：
我是知識圖譜科技有限公司的 CEO 吳剛，很榮幸能來這里與大家進行分享。首先做個自我介紹，我畢業(yè)于中國科學院的中科院軟件所，學的是人機交互與智能信息處理。畢業(yè)后在湯森路透工作了幾年，做面向金融、科技行業(yè)的咨詢顧問，之后在 2017 年，我們成立了北京知識圖譜科技，面向醫(yī)療、軍工、金融等領(lǐng)域提供知識圖譜解決方案。
今天我們分享內(nèi)容包括：公司介紹&招聘，知識圖譜概述 &企業(yè)機遇挑戰(zhàn)，知識圖譜賦能企業(yè)數(shù)字化轉(zhuǎn)型，知識圖譜落地挑戰(zhàn)與趨勢四個方面。
其實我們首席科學家在 2015 年就開始做知識圖譜的相關(guān)業(yè)務了，在 2017 年成立了北京知識圖譜科技有限公司。公司的研發(fā)中心在江蘇省南京市江寧區(qū)秣周東路（地鐵三號線旁邊），未來科技城里面。我們整個公司是技術(shù)驅(qū)動型的，技術(shù)氛圍很濃，經(jīng)常會組織技術(shù)分享會，包括請外面的專家過來作報告、讓員工去參加知名的技術(shù)會議等。我們公司現(xiàn)在主要是面向行業(yè)構(gòu)建行業(yè)知識圖譜，賦能企業(yè)數(shù)字化、智能化轉(zhuǎn)型。
我們公司在研發(fā)方面的實力較強。我們的領(lǐng)軍人物是東南大學漆桂林教授，他是知識圖譜領(lǐng)域頂級專家，在知識圖譜和人工智能領(lǐng)域非常知名，大家去百度搜索一下就知道了。我們的研發(fā)團隊也是由中國科學院、東南大學碩博士以及阿里巴巴高級技術(shù)人才組成的全職專業(yè)研發(fā)團隊，并且依托東南大學認知智能研究所強大的技術(shù)儲備和人才資源，實現(xiàn)產(chǎn)學研的結(jié)合。在技術(shù)方面，我們已有 10 余年知識圖譜領(lǐng)域的技術(shù)積累，擁有 10 多項從數(shù)據(jù)采集清洗、智能語義處理、知識圖譜建模到運維、智能決策等全技術(shù)鏈 的核心自主知識產(chǎn)權(quán)。
我們公司的優(yōu)勢可以從兩方面來說：
一是技術(shù)方面：我們公司專注于知識圖譜、智能問答應用領(lǐng)域多年，通過多年面向企業(yè)和政府的大型項目經(jīng)驗將知識圖譜技術(shù)工具化、平臺化，可基于用戶場景快速開發(fā)人工智能應用。
二是經(jīng)驗方面：我們擁有大量知識圖譜智能應用的典型客戶案例，服務了多個世界 500 強、國內(nèi)上市公司、 頂級科研機構(gòu)以及政府（軍工集團及院所）和多行業(yè)企業(yè)客戶，有專業(yè)豐富的領(lǐng)域服務經(jīng)驗。
這是我們公司的工作環(huán)境，未來科技城這邊的綠化環(huán)境很好，還有湖，非常適合散步和跑步，下地鐵走幾分鐘就可以到。同時，未來科技城里面也有很多科技公司，像華為、中軟都在這邊。
我們公司現(xiàn)在全職員工為 20 人工作，以技術(shù)人員為主。大概介紹一下我們公司招聘的職位，因為我們主要做知識圖譜，所以主要招聘開發(fā)知識圖譜、人工智能平臺及行業(yè)應用產(chǎn)品的工程師，但我們并不要求必須有知識圖譜經(jīng)驗的工程師，只要求有工程應用開發(fā)經(jīng)驗的工程師即可。職位主要有：
資深 Java 工程師：我們的知識圖譜平臺主要是 Java 的平臺，因此我們主要招聘資深 Java 工程師，要求 3-5 年工作經(jīng)驗，本科及以上學歷 。
nlp 工程師 ：做知識圖譜也涉及到很多非結(jié)構(gòu)、半結(jié)構(gòu)的數(shù)據(jù)處理，將處理后的數(shù)據(jù)融合到知識圖譜中，是我們這個平臺在做的事情，另外我們在醫(yī)療、軍工等行業(yè)的應用的文檔數(shù)據(jù)也需要這類工程師進行處理。這個職位要求 3-5 年工作經(jīng)驗，本科及以上學歷 。
測試工程師：這個崗位主要做平臺的測試，要求 1-3 年工作經(jīng)驗，本科及以上學歷。
我們公司在南京，因此這些職位都是在南京進行招聘。
接下來講一下現(xiàn)在企業(yè)所面臨的挑戰(zhàn)。其實知識圖譜這兩年才比較熱門，前幾年人工智能從技術(shù)上來說也才相對比較成熟，落地應用場景還是偏感知智能，如科大訊飛、商湯科技這些做語音識別、人工智能的公司，利用深度學習對海量數(shù)據(jù)進行訓練，應用到語音識別、人臉識別這樣一些應用場景中。
而我們現(xiàn)在在做的事情是認知智能，如果說科大訊飛、商湯這些公司做的是眼睛、耳朵，那我們做的是大腦——大腦就需要處理各種各樣的數(shù)據(jù)，尤其行業(yè)數(shù)據(jù)很多都是非結(jié)構(gòu)和半結(jié)構(gòu)化數(shù)據(jù)，涉及到智能語音處理和知識圖譜本身的一些技術(shù)，如知識推理、智能問答和可視化等，類似于 IBM Watson 、Palantir 利用這些技術(shù)去做智能情報分析或行業(yè)的專家系統(tǒng)一樣，知識圖譜可以應用于醫(yī)療癌癥智能診斷、金融智能投研、法律類案推薦等場景。
知識圖譜是實現(xiàn)強人工智能必須要攻克的難點，但它本身的技術(shù)棧也比較長，暫時無法像圖像識別、語音識別那樣被快速推進，只能在一個個小的場景中落地。
知識圖譜技術(shù)可能有的人沒怎么聽說過，但百度、Google 在 2012 年 就開始做這個。比如你在百度上搜「人民的名義」，它知道這是一個電影，而搜索頁面的右邊，就是通過知識圖譜推薦的關(guān)聯(lián)知識，比如電影有哪些演員、導演，導演導過什么電影，編劇是哪些人等等。
所以什么叫知識圖譜呢？其實現(xiàn)在沒有一個官方的定義，但是從我的角度來看，可以從兩個角度來看：
從數(shù)據(jù)角度來看：知識圖譜是結(jié)構(gòu)化的語義知識庫，用于以符號形式描述物理世界中的概念及其相互關(guān)系，其基本組成單位是「實體—屬性—關(guān)系」，構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)，融合碎片化的信息，建立領(lǐng)域知識模型，挖掘隱藏的關(guān)聯(lián)關(guān)系和傳遞影響，輔助智能決策。
例如一個醫(yī)療大健康領(lǐng)域，像這個圖一樣，包括食譜、食材、問答、人群、營養(yǎng)素和疾病保健幾個部分，彼此間的關(guān)聯(lián)包括什么樣的疾病不能吃什么營養(yǎng)素的食材等等，這就是一個知識圖譜。
從技術(shù)角度來看：它是一套工程技術(shù)，包括知識抽取、知識表示、知識存儲、知識推理、知識檢索、知識問答等 一系列技術(shù)。
上圖是我對技術(shù)棧的一個總結(jié)。知識圖譜其實是人工智能領(lǐng)域的一個分支，可能現(xiàn)在行業(yè)內(nèi)的一些工程師認為他們做的 nlp、數(shù)據(jù)庫、可視化就是知識圖譜，但是我認為知識圖譜是一套工程體系，不是做一個 nlp、數(shù)據(jù)庫、可視化就能實現(xiàn)，而是要能在場景中解決問題。
因此做一個智能的語義搜索，你需要利用自然語音處理去抽取文本信息，抽取后要去表示、融合知識，并基于這個知識做推理。上面幾個（知識提取、知識表示、知識融合、知識存儲、知識推理）是構(gòu)建知識圖譜的過程，下面（知識問答、知識檢索、知識推薦、可視化關(guān)聯(lián)）是有了數(shù)據(jù)知識圖譜后的幾種比較典型的運用。
所以知識圖譜是一種交叉的技術(shù)體系，與深度學習、自然語言處理都有交叉，包括問答在內(nèi)的知識圖譜在做語義理解時，都要用到深度學習的技術(shù)，因此我們做的這個平臺也是基于很多技術(shù)的，比較具有挑戰(zhàn)性。這也對我們工程師提出了更高的要求，不過這樣工程師也能得到更快速的成長，因為接觸到的東西不再僅是深度學習的算法，知識圖譜跟行業(yè)的結(jié)合是非常緊密的，工程師也會接觸到一些行業(yè)知識。
這是知識圖譜大概的架構(gòu)：
數(shù)據(jù)層：指內(nèi)外部的各種結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)，包括 ERP、CPM、產(chǎn)品說明書、書籍指南、FAQ、EXCEL、專家錄入數(shù)據(jù)以及采集的數(shù)據(jù)等。
平臺層：基于數(shù)據(jù)層去做數(shù)據(jù)智能采集的清洗、智能語義的提取、行業(yè)知識圖譜動態(tài)模型的構(gòu)建以及知識推理。
知識層：基于數(shù)據(jù)層和平臺層，我們就能構(gòu)建企業(yè)級的知識圖譜、用戶知識圖譜以及知識規(guī)則引擎。
應用層：使用知識圖譜，可以去做可視化關(guān)聯(lián)分析、智能知識問答、智能知識推薦、智能語義檢索等方面的應用。
用戶：我們的知識圖譜面向的用戶，主要是知識密集型的行業(yè)，例如金融、法律、醫(yī)療、企業(yè)等。
構(gòu)建一次性圖譜可能不是那么復雜，但是怎樣讓知識圖譜持續(xù)地迭代更新，并讓專家參與其中來做運維，這是比較難的問題。而右邊的這個知識圖譜運維管理平臺，則能讓我們低成本地去運維這個圖譜，這是我們的產(chǎn)品現(xiàn)在在做的事情，我們的工程師在做整套的算法、管理運維平臺并將應用層結(jié)合到用戶場景中，這些都需要進行很多開發(fā)的工作。
我們講一下這兩年企業(yè)開始使用知識圖譜的原因：
一是（金融、醫(yī)療等領(lǐng)域）市場監(jiān)管的加強，如果沒有這個驅(qū)動因素，企業(yè)可能沒有那么大的動力去做這方面的技術(shù)創(chuàng)新；
二是人力成本增加、 人員流動率大。隨著競爭加劇，知識密集型行業(yè)的人力成本逐漸提高。同時，人員流動率的增大也會導致企業(yè)流失掉員工的經(jīng)驗，培訓成本也隨之增大，所以我們的客戶也希望用知識圖譜技術(shù)去沉淀經(jīng)驗，培訓和賦能員工。
三是業(yè)務向長尾發(fā)展，專家資源有限。一線城市、大醫(yī)院的醫(yī)療業(yè)務基本達到飽和狀態(tài)，我們的知識圖譜可以推動分級診療這些機制在這些城市的進展；而隨著市場的增大，專家資源就變得相對有限，這就需要我們這樣的技術(shù)幫助企業(yè)去滿足并持續(xù)擴展市場。
四是整個市場競爭加劇，業(yè)務變化和知識更新加快。像金融這些行業(yè)需要最新技術(shù)來進行創(chuàng)新，減少成本，提高效率。當然業(yè)務本身的變化也在加快，如果不用更好的技術(shù)去響應業(yè)務的變化，這種業(yè)務就很難生存下去了。
當然對企業(yè)來說，之前也有傳統(tǒng) BI、知識庫，那為什么還要用知識圖譜？知識圖譜與它們有什么區(qū)別？
傳統(tǒng) BI 可以進行數(shù)據(jù)統(tǒng)計或報表，更多是處理知識結(jié)構(gòu)化的數(shù)據(jù)，而知識圖譜則更多地應用了 AI 技術(shù)，除了結(jié)構(gòu)化的數(shù)據(jù)，它還能處理非結(jié)構(gòu)化或者半結(jié)構(gòu)化的數(shù)據(jù)。知識庫更多地是把信息匯集在一起提供查詢，但信息中那些經(jīng)驗性知識沒有被提取出來，或者還需要耗費較大的人力去查找信息，這也是我們知識圖譜面臨的挑戰(zhàn)——怎樣提高效率，更快地找到我們想要的信息。
不僅如此，知識圖譜是針對應用場景，去幫助客戶解決問題的?，F(xiàn)在客戶也有這方面的要求，比如連接起他們生態(tài)中的用戶，而連接過程需要整個行業(yè)的知識賦能，然后通過問答去觸達這些用戶。由于現(xiàn)在移動互聯(lián)網(wǎng)的發(fā)展也為用戶連接、場景落地應用提供了很好的條件，這也是我覺得企業(yè)有動力去使用這種方法來提高效率、積淀經(jīng)驗、增強用戶體驗，以及通過企業(yè)轉(zhuǎn)型連接生態(tài)，與用戶互動起來的重要原因。
當然，除了需要企業(yè)有較強的使用意愿，知識圖譜也需要技術(shù)層面的支撐。這也是為什么此前的專家系統(tǒng)都沒有做起來的重要原因——因為條件還不具備。這些專家系統(tǒng)往往都是人工在做相關(guān)的工作，成本很高，難以落地應用場景。而現(xiàn)在我們的知識圖譜能做起來，主要有 4 個方面的原因：
第一，在線海量數(shù)據(jù)?，F(xiàn)在海量數(shù)據(jù)在線可公開獲取，而企業(yè)內(nèi)部信息化階段也有大量數(shù)據(jù)沉淀。
第二，數(shù)據(jù)采集種類增加。隨著移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、可穿戴設備等技術(shù)的發(fā)展，數(shù)據(jù)采集的種類及采集途徑大大增加。比如要做一個面向病人的護理產(chǎn)品，不采集海量的信息，就很難推動。
第三，對海量數(shù)據(jù)進行計算和存儲的成本大大降低。以前成本很高，難以持續(xù)投入，而現(xiàn)在成本的降低，能讓我們快速啟動應用。
第四，知識圖譜本身的知識建模、處理技術(shù)如 nlp、深度學習、動態(tài)本體知識表示、圖數(shù)據(jù)庫、知識推理、智能對話、眾包等技術(shù)的發(fā)展。
除了業(yè)務和技術(shù)方面，那做知識圖譜還存在哪些挑戰(zhàn)呢？
第一是數(shù)據(jù)源。很多數(shù)據(jù)都是半結(jié)構(gòu)化、非結(jié)構(gòu)化的，如專業(yè)書籍和專利、產(chǎn)品說明書、FAQ、報告、新聞等，這些數(shù)據(jù)的整體質(zhì)量不高。
第二是數(shù)據(jù)融合。輸入數(shù)據(jù)量越來越大是個好事，但是帶來的負面影響就是需要對不同數(shù)據(jù)源進行融合。而怎樣將從多源異構(gòu)數(shù)據(jù)中抽取的數(shù)據(jù)和業(yè)務模型進行關(guān)聯(lián)融合，則是一個較大的難點。
第三是業(yè)務建模。垂直行業(yè)專業(yè)化程度很高，知識體系復雜龐大，且知識具有模糊性。就比如幫病人診病，每個醫(yī)生的知識和診斷方式都不一樣。此外，業(yè)務具有動態(tài)變化性，經(jīng)驗規(guī)則復雜，如何建立可靈活擴展的模型比較關(guān)鍵。
第四是用戶體驗，因為垂直行業(yè)產(chǎn)品面臨的是對技術(shù)不熟練的個人、銷售代表、業(yè)務繁忙的專家等，他們需要簡單易用，用戶體驗智能化的產(chǎn)品。
接下來我們就講一下知識圖譜怎樣賦能企業(yè)數(shù)字化轉(zhuǎn)型。針對剛剛提到的 4 個挑戰(zhàn)，我們有以下需要做的事情：
第一，可以采用智能爬蟲、自然語言處理、眾包、機器學習和行業(yè)詞庫等方式去處理數(shù)據(jù)源；
第二，利用 ETL、知識融合和知識存儲去進行數(shù)據(jù)融合和存儲；
第三，采用動態(tài)知識模型、實體知識圖譜構(gòu)建、知識推理引擎等方式去進行業(yè)務建模；
第四，用戶體驗方面，采用智能問答、語義檢索、智能推薦和可視化分析這四種方式去觸及用戶。
企業(yè)智能問答應用場景主要有以下 4 種：
智能客服：現(xiàn)在一般企業(yè)還是使用 chatbot 作為智能客服，知識圖譜可以賦能客服知識培訓，幫助 chatbot 更加智能化。
智能呼叫：有的企業(yè)會使用機器人進行電話營銷（如房產(chǎn)、保險行業(yè)等）、催債（如金融行業(yè)等），知識圖譜能使幫助機器人解決這些場景中遇到的問題。
智能專家：這也是知識圖譜的一個典型場景的運用，知識圖譜能應用到醫(yī)療、法律、金融等專業(yè)領(lǐng)域知識問答。
業(yè)務決策：集成企業(yè)內(nèi)外部數(shù)據(jù)構(gòu)建的企業(yè)知識圖譜，可使用戶通過問答、搜索方式更快獲取知識信息，知識圖譜讓這些問答、搜索更加快速、智能，類似于企業(yè)智能助手。
這是我們知識圖譜業(yè)務的一個架構(gòu)，知識圖譜本身可以跟問答分隔開來，我們可以構(gòu)建企業(yè)圖譜或者行業(yè)圖譜，直接讓企業(yè)通過搜索問答方式去使用，當然也可以用在第三方如智能客服、智能助手上，讓它們?nèi)セ卮瓞F(xiàn)在難以回答和理解的問題。
這是一個更細的架構(gòu)，更多面向復雜知識問答的場景。簡答的知識問答比如問天氣、訂機票則不太適合用這個知識圖譜。
舉個例子，構(gòu)建產(chǎn)品說明書的知識圖譜，也有不少難點，每個產(chǎn)品說明書表格不太一樣，描述也不一樣，例如「加熱不?！垢讣訜釤o法停止」二者的描述就有差異，需要進行知識的處理。
比如構(gòu)建一個家電維修的圖譜提供給用戶，當他們說到某個故障的時候，知識圖譜需要告訴他們該怎樣去維修，以及什么原因。
這是一個簡單的例子，大家可以在圖上看到各種故障，故障有各種原因，在問答的時候我們可以通過這個圖譜進行圖上的查詢及交互。
當然還有很多客戶他們的應用場景，需要導入各種業(yè)務相關(guān)的 FAQ、知識文檔、語料等，怎樣構(gòu)建一個更加智能化的圖譜去進行問答呢？
基于此，我們打造了這樣一個平臺，做全流程的知識圖譜。
我們會根據(jù)用戶的反饋去做運維：通過數(shù)據(jù)采集以及系統(tǒng)自動報警，包括自動偵測以及讓專家去抽樣檢查，接著使用我們這個平臺做問答運維，以逐步優(yōu)化知識圖譜的質(zhì)量。
我對智能問答技術(shù)進行了比較：
FAQ：針對常見簡單問題進行問答，適用于閑聊和客戶場景。
深度學習：輔助 FAQ 深度語義解析、問答泛化、多輪對話，需要大量語料，不可解釋。
而知識圖譜則有以下幾個方面的優(yōu)勢：
1. 帶語義的結(jié)構(gòu)化知識，可擴展衍生應用；
2. 適用于復雜專業(yè)知識問答、精準知識推薦、知識點關(guān)聯(lián)；
3. 可與 FAQ 和深度學習結(jié)合，使 chatbot 更智能；
4. 可基于少量語料冷啟動，無需大量語料和配置相同問法；
5. 具有可解釋性。
我們的知識圖譜業(yè)務主要是這么一個流程：
第一步，梳理業(yè)務需求：根據(jù)業(yè)務戰(zhàn)略梳理業(yè)務需求及業(yè)務優(yōu)先級和數(shù)據(jù)源。
第二步，技術(shù)評估：根據(jù)業(yè)務需求和數(shù)據(jù)源進行技術(shù)可行性評估；根據(jù)場景確定是否需要智能問答？是否必須要多輪對話？（不是每個場景都需要多輪對話，多輪對話的實現(xiàn)也有較大難度）；對技術(shù)方案、數(shù)據(jù)質(zhì)量、需要參與的人員以及技術(shù)要求進行評估；對業(yè)務需求的工作量和難易程度進行評估。
第三步，方案確定：從工作量和效益產(chǎn)出綜合評估進行優(yōu)先級排列；分期實施、快速迭代。
第四步，知識圖譜構(gòu)建：包括數(shù)據(jù)清洗、本體知識模型構(gòu)建、數(shù)據(jù)集成導入、知識圖譜建模等環(huán)節(jié)。我們這個平臺將整套技術(shù)融合在一起，形成全周期性的技術(shù)平臺，讓用戶不需要熟練掌握技術(shù)就能使用這個平臺。
第五步，智能問答應用開發(fā)：從小做起；閉環(huán)反饋，逐步實現(xiàn)自學習。
第六步，運維：實現(xiàn)本體、知識圖譜半自動運維，根據(jù)數(shù)據(jù)和用戶反饋持續(xù)迭代優(yōu)化。
知識圖譜的構(gòu)建流程大概是這樣：通過對半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)進行自動提取，構(gòu)建結(jié)構(gòu)化語義模型，形成一個個小的知識圖譜，再進行知識融合，這個過程中，人工也會參與進來，包括專家會錄入數(shù)據(jù)，做知識的校正，形成一個業(yè)務層級的知識圖譜，再通過智能應用反饋回來，逐步迭代，最終形成全量業(yè)務知識圖譜。
做知識圖譜應用落地還面臨著一些挑戰(zhàn)：
一是數(shù)據(jù)層面?，F(xiàn)在知識圖譜行業(yè)面臨部門數(shù)據(jù)壁壘高，高質(zhì)量知識獲取困難，結(jié)構(gòu)化數(shù)據(jù)少，這意味著非結(jié)構(gòu)化數(shù)據(jù)比較多，知識處理就會變難。另外 nlp 現(xiàn)在還沒有到達到非常高的質(zhì)量，需要不少人工的標注。
二是平臺工具層面。知識圖譜的技術(shù)棧比較長，圖譜構(gòu)建和運維成本高，可復制性不強。
三是專業(yè)知識層面。知識圖譜的知識專業(yè)性強，和行業(yè)結(jié)合十分緊密，因而需要與行業(yè)專家技術(shù)團隊合作，來建立知識模型，在這個過程中，雙方的磨合也是一個挑戰(zhàn)。
四是閉環(huán)系統(tǒng)層面。我們必須將知識圖譜做成一個半自動化學習、人機互動，可持續(xù)低成本迭代優(yōu)化的平臺，才能讓用戶實現(xiàn)低成本的運營。
最后介紹一下知識圖譜的趨勢：
第一，知識圖譜與深度學習、語音識別、圖像識別等技術(shù)深度結(jié)合。比如通過深度學習去識別一個片子，如果有知識圖譜作為背景支撐，能實現(xiàn)效果更佳的識別，還能增強可解釋性。
第二，其也內(nèi)外部數(shù)據(jù)打通，企業(yè)從數(shù)字化到智能化的轉(zhuǎn)型，企業(yè)知識圖譜應用場景模式交叉融合，來逐步沉淀高質(zhì)量行業(yè)知識圖譜。
第三，全生命周期知識圖譜開放平臺化，構(gòu)建與運維成本大大降低人機結(jié)合，閉環(huán)反饋迭代，集成領(lǐng)域知識模型，自學習。
分享結(jié)束后，嘉賓還對同學們提出的問題進行了回答，大家可以移步社區(qū)（http://www.gair.link/page/blogDetail/8626）進行詳細了解。
以上就是本期嘉賓的全部分享內(nèi)容。更多公開課視頻請到雷鋒網(wǎng) AI 研習社社區(qū)（https://club.leiphone.com/）觀看。關(guān)注微信公眾號：AI 研習社（okweiwu），可獲取最新公開課直播時間預告。
1. 是否和咨詢行業(yè)有 overlap？
我認為是有 overlap 的，我們做的一些知識圖譜會替代咨詢行業(yè)的某些工作。實際上，咨詢行業(yè)本身也意識到了這個問題，像麥肯錫這樣的公司也會使用知識圖譜自動化、智能化的一些產(chǎn)品。此外，我們遇到的一些客戶如 IBM、微軟這些技術(shù)型的公司也在逐步利用知識圖譜技術(shù)去做一些職能化的運用，給客戶一套解決方案。當然，我們現(xiàn)在在做的知識圖譜本質(zhì)上相當于專家系統(tǒng)，能幫助咨詢行業(yè)去沉淀咨詢經(jīng)驗。
2. 知識圖譜和客戶畫像的關(guān)系？
因為知識圖譜本身的定義也不是很清晰，我們有時候也可將用戶視為客戶畫像，知識圖譜會比傳統(tǒng)畫像更加立體。傳統(tǒng)的畫像相對比較平面化，包括用戶的基本屬性，年齡，購買類別等等，但是知識圖譜能做到非常深層的關(guān)聯(lián)，比如可以對企業(yè)的上下層關(guān)系，挖掘出一個很長的鏈條；對個人，則會涉及到他是哪個公司的高管，參與了其他哪些公司，從哪個學校畢業(yè)的以及發(fā)表了什么專利論文（跟誰一起發(fā)表的），相比較而言，知識圖譜所呈現(xiàn)出來的客戶畫像會更加全面，更注重深層關(guān)系的挖掘和關(guān)聯(lián)，而不僅僅是個人屬性。
3. 知識圖譜目前和區(qū)塊鏈這類分布式技術(shù)有結(jié)合嗎？
就我來看，二者目前沒什么結(jié)合。區(qū)塊鏈的技術(shù)我不是太熟悉，但目前結(jié)合場景比較少。而區(qū)塊鏈本身落地場景的探索現(xiàn)在也還不是很清晰，不過知識圖譜現(xiàn)在的落地場景比較明確，技術(shù)實現(xiàn)也比較難，很難進行復制。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
