工業(yè)互聯(lián)網(wǎng)中，數(shù)字孿生講了這么久，是時(shí)候講講與數(shù)字孿生強(qiáng)關(guān)聯(lián)的知識(shí)圖譜了。

于是，2019年，知識(shí)圖譜成為工業(yè)互聯(lián)網(wǎng)領(lǐng)域中的香饃饃。

工業(yè)互聯(lián)網(wǎng)中的這塊香饃饃漸漸浮現(xiàn)。

• 工業(yè)知識(shí)圖譜要具備哪些能力？

• 企業(yè)如何構(gòu)建自己的知識(shí)圖譜？

• 制造業(yè)企業(yè)如何應(yīng)用知識(shí)圖譜？

就這三個(gè)問題，雷鋒網(wǎng)在今年的杭州云棲大會(huì)上，找到了阿里給出的答案。

需要具備啥能力？

知識(shí)圖譜對于互聯(lián)網(wǎng)企業(yè)來說，其實(shí)不是一個(gè)新概念，包括百度的搜索引擎，淘寶的推薦引擎都已經(jīng)在應(yīng)用知識(shí)圖譜。

互聯(lián)網(wǎng)應(yīng)用中的知識(shí)圖譜是通過自下而上的方式構(gòu)建的，通過業(yè)務(wù)數(shù)據(jù)的沉淀，大數(shù)據(jù)的積累，以一個(gè)持續(xù)構(gòu)建、持續(xù)優(yōu)化的過程逐漸構(gòu)建起知識(shí)圖譜。

然而，這樣的構(gòu)建方式在工業(yè)領(lǐng)域并不適用。

由于工業(yè)中包括檢修、預(yù)測等要求高精準(zhǔn)的應(yīng)用，專業(yè)領(lǐng)域特定場景應(yīng)用數(shù)據(jù)量小，決定了工業(yè)知識(shí)圖譜的構(gòu)建將是自上而下的一個(gè)過程——定義應(yīng)用場景、定義問題、找到相應(yīng)數(shù)據(jù)。

在杭州云棲大會(huì)上， 阿里云智能高級(jí)解決方案架構(gòu)師劉志龍介紹稱。

工業(yè)知識(shí)圖譜需要具備怎樣的能力？

知識(shí)構(gòu)建能力、知識(shí)抽取能力、知識(shí)輔助能力。

具體而言，包括：

知識(shí)構(gòu)建能力，指工業(yè)場景中的本體設(shè)計(jì)。工業(yè)領(lǐng)域中做知識(shí)圖譜需要先設(shè)計(jì)本體，定義一個(gè)場景，需要定義知識(shí)本體，以及業(yè)務(wù)本體。

知識(shí)抽取能力。通過機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、算法引擎等技術(shù)手段來進(jìn)行知識(shí)抽取。

知識(shí)輔助能力。可以是智能搜索、輔助推薦等能力，一線作業(yè)人員、設(shè)備，包括輔助設(shè)備如何智能修復(fù)，輔助工作人員作業(yè)、檢修、工廠盤點(diǎn)時(shí)解決具體問題。

劉志龍解釋稱，“在工業(yè)領(lǐng)域中的知識(shí)圖譜，關(guān)鍵點(diǎn)不是剛開始數(shù)據(jù)量有多大，而是找到場景的本體，構(gòu)建數(shù)據(jù)抽取方式，從而構(gòu)建知識(shí)圖譜體系，更關(guān)鍵的是如何讓一線工作人員將這套產(chǎn)品應(yīng)用起來?！?/p>

基于這樣的理解，阿里構(gòu)建了自己的工業(yè)知識(shí)圖譜產(chǎn)品矩陣。

從圖中可以看到，阿里這套產(chǎn)品體系有以下幾個(gè)關(guān)鍵點(diǎn)：

• 阿里構(gòu)建的工業(yè)知識(shí)圖譜底層部署支持公有云、私有云、非云化部署；
  

• 知識(shí)沉淀過程中會(huì)沉淀兩大內(nèi)容，包括針對設(shè)備本體、故障圖譜、案例圖譜形成的知識(shí)庫，以及針對同義詞語、語料庫、規(guī)則模板資源庫；
  

• 圖譜管理、信息抽取分別配備了前臺(tái)和后臺(tái)，后臺(tái)配備了諸如本體構(gòu)建器、圖查詢引擎、事件抽取、知識(shí)推理等算法引擎，前臺(tái)配備了圖譜可視化、圖譜拖拽、導(dǎo)入審核、規(guī)則配置、打標(biāo)工具、規(guī)則審核等數(shù)據(jù)標(biāo)注能力；
  

阿里在數(shù)據(jù)標(biāo)注上的特點(diǎn)是半自動(dòng)化標(biāo)注，即在數(shù)據(jù)達(dá)到一定量時(shí)，可以自動(dòng)進(jìn)行數(shù)據(jù)標(biāo)注。

• 上層場景定義中，阿里與行業(yè)合作伙伴進(jìn)行了諸如設(shè)備故障診斷、行業(yè)標(biāo)準(zhǔn)智能問答、設(shè)備信息查詢助手等能力。

劉志龍也特別提到，“這些事情阿里不是只是自己在做，就業(yè)務(wù)角度而言，我們對業(yè)務(wù)的了解不如我們的生態(tài)企業(yè)、產(chǎn)業(yè)公司理解得更深入?！?/p>

知識(shí)圖譜怎么建？

既然官方也指出，工業(yè)知識(shí)圖譜自上而下的構(gòu)建思路與互聯(lián)網(wǎng)領(lǐng)域知識(shí)圖譜的構(gòu)建不同，作為脫胎于互聯(lián)網(wǎng)時(shí)代的巨頭企業(yè)，阿里又對制造業(yè)產(chǎn)業(yè)了解并不深入。

那么，阿里如何進(jìn)行工業(yè)知識(shí)圖譜的構(gòu)建呢？

阿里云智能解決方案架構(gòu)師古世相用一張架構(gòu)圖給出了這個(gè)答案。

從這張圖中可以看到，整體架構(gòu)分為三層：

• 底層是制造業(yè)企業(yè)中諸如設(shè)備、業(yè)務(wù)系統(tǒng)、人工經(jīng)驗(yàn)、技術(shù)文檔等各類數(shù)據(jù)源，這些數(shù)據(jù)源中的知識(shí)（高價(jià)值數(shù)據(jù)）通過圖像識(shí)別、AI算法等相關(guān)工具抽取出來，并向上匯聚；

• 中間層是數(shù)據(jù)抽取形成知識(shí)圖譜的過程，其中應(yīng)用到了此前提到的各類算法引擎，并最終將專業(yè)知識(shí)、業(yè)務(wù)知識(shí)、運(yùn)營知識(shí)等抽取出知識(shí)本體，以知識(shí)本體為框架，并通過規(guī)則引擎進(jìn)行大數(shù)據(jù)的推理/挖掘，結(jié)合通用知識(shí)圖譜，構(gòu)建起領(lǐng)域知識(shí)圖譜；

這一層也是阿里通過AI技術(shù)重點(diǎn)構(gòu)建的部分，阿里為此打造了三個(gè)“底座引擎”，包括數(shù)據(jù)工廠、算法工廠、AI創(chuàng)作間，主要解決工業(yè)數(shù)據(jù)預(yù)處理與存儲(chǔ)、匯聚生產(chǎn)、智能應(yīng)用三方面的能力。

知識(shí)圖譜怎么用？

工業(yè)知識(shí)圖譜的是為了企業(yè)數(shù)字化轉(zhuǎn)型，為了企業(yè)或工廠實(shí)際應(yīng)用而構(gòu)建。因而，企業(yè)要首先發(fā)現(xiàn)自己現(xiàn)有業(yè)務(wù)問題，然后才是去考慮有什么新技術(shù)可以解決這樣的問題。

現(xiàn)在的企業(yè)這方面做的還不好。

古世相在大會(huì)上表示?！昂芏鄠鹘y(tǒng)企業(yè)現(xiàn)在還是技術(shù)驅(qū)動(dòng)，而其實(shí)，如何做需求驅(qū)動(dòng)、業(yè)務(wù)驅(qū)動(dòng)才是現(xiàn)在需要考慮的問題?！?/p>

知識(shí)圖譜的應(yīng)用也是如此。

前文提到的工業(yè)知識(shí)圖譜構(gòu)建中，最上一層是阿里針對具體應(yīng)用場景構(gòu)架的四項(xiàng)能力，包括智能搜索與交互問答、精準(zhǔn)數(shù)據(jù)處理、智能分析與決策、復(fù)雜關(guān)系挖掘推理。

以電力應(yīng)用場景為例，

在制造業(yè)企業(yè)設(shè)備運(yùn)維場景中，電力領(lǐng)域中最核心的資源是老專家，老專家積累了大量一線行業(yè)知識(shí)，將老專家的經(jīng)驗(yàn)搬到線上，把老專家沉淀的非結(jié)構(gòu)化知識(shí)數(shù)據(jù)以知識(shí)圖譜串聯(lián)起來，當(dāng)某一類問題出現(xiàn)和發(fā)生的時(shí)候，新員工或?qū)I(yè)知識(shí)不熟的人就可以通過這樣的知識(shí)圖譜快速解決問題。

在故障檢修應(yīng)用場景中，老專家、老師傅將經(jīng)驗(yàn)和案例沉淀成文檔，阿里將這些知識(shí)搬到線上，構(gòu)建了相應(yīng)的知識(shí)圖譜，實(shí)現(xiàn)了在線分享。檢修人員可以通過手機(jī)APP在知識(shí)圖譜上可以查詢相關(guān)信息，包括什么時(shí)間發(fā)生的類似故障，解決方案是什么，甚至可以檢索到成功解決這一問題的老師傅是誰。

具體可以通過現(xiàn)場巡檢、在線監(jiān)測、監(jiān)控中心人工監(jiān)測進(jìn)行故障信息錄入，這些錄入的故障信息在AI決策工作臺(tái)做故障判斷，此前構(gòu)建的知識(shí)圖譜體系（包括案例和規(guī)則）都沉淀在AI決策中臺(tái)，與此同時(shí)，還會(huì)通過試驗(yàn)人員對故障問題進(jìn)行試驗(yàn)、測試，最終通過輔助決策，通過現(xiàn)場檢修人員解決，甚至直接下發(fā)指令到設(shè)備，自動(dòng)解決相關(guān)問題。

知識(shí)圖譜的進(jìn)化之路

知識(shí)圖譜從互聯(lián)網(wǎng)領(lǐng)域遷移到工業(yè)互聯(lián)網(wǎng)領(lǐng)域，由于兩大領(lǐng)域場景差異較大，自下而上的知識(shí)圖譜構(gòu)建思路也轉(zhuǎn)向自上而下。

就工業(yè)領(lǐng)域中構(gòu)建的知識(shí)圖譜來看，可以分為兩類，一類是已有設(shè)備信息、生產(chǎn)信息的數(shù)字化知識(shí)圖譜，諸如將設(shè)備維護(hù)手冊、故障應(yīng)用案例、一線專家經(jīng)驗(yàn)數(shù)字化，并構(gòu)建相應(yīng)的知識(shí)圖譜；另一類則是將設(shè)備信息、設(shè)備及數(shù)字化系統(tǒng)工作過程信息，甚至整個(gè)生產(chǎn)流程部分或全部數(shù)字化，并將其中不同垂直領(lǐng)域的數(shù)據(jù)關(guān)聯(lián)起來，構(gòu)建相應(yīng)的知識(shí)圖譜。

后者也正是當(dāng)下數(shù)字孿生的概念。

由此也可見，智能制造、工業(yè)互聯(lián)網(wǎng)，最終要實(shí)現(xiàn)的企業(yè)數(shù)字化轉(zhuǎn)型、智能化轉(zhuǎn)型關(guān)鍵仍是將企業(yè)中各類設(shè)備、系統(tǒng)、數(shù)據(jù)打通，以數(shù)據(jù)驅(qū)動(dòng)當(dāng)下企業(yè)轉(zhuǎn)型升級(jí)。

在這個(gè)過程中，知識(shí)圖譜、數(shù)字孿生等中間概念或技術(shù)形態(tài)都將在數(shù)據(jù)驅(qū)動(dòng)下持續(xù)迭代，逐漸覆蓋全流程、全生產(chǎn)要素，形成下一個(gè)時(shí)代制造業(yè)工廠的新形態(tài)。雷鋒網(wǎng)雷鋒網(wǎng)

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。