根據(jù)德勤的數(shù)據(jù)，94%的商業(yè)領(lǐng)袖表示人工智能對成功至關(guān)重要。但是，盡管進(jìn)行了大量的投資和實驗，將人工智能試點擴展到有意義的、全企業(yè)范圍的結(jié)果仍然是領(lǐng)導(dǎo)層面臨的決定性挑戰(zhàn)。僅僅因為一個成功的試點能夠證明一個概念是有效的，并不能保證將其擴展到滿足復(fù)雜的業(yè)務(wù)目標(biāo)。

這些失敗的原因不是有缺陷的算法，而是數(shù)據(jù)不匹配：在昨天支離破碎、貧乏數(shù)據(jù)的基礎(chǔ)上構(gòu)建明天的智能系統(tǒng)。當(dāng)今的組織需要確保數(shù)據(jù)準(zhǔn)備就緒，以避免模型性能、系統(tǒng)信任和戰(zhàn)略一致性方面的失敗。為了取得成功，首席信息官必須從“數(shù)據(jù)第一”轉(zhuǎn)向“知識第一”的方法，以利用人工智能的真正優(yōu)勢。GraphRAG——人工智能知識自動化的下一個進(jìn)化

傳統(tǒng)的檢索增強生成（RAG）改變了人工智能利用外部數(shù)據(jù)的方式，但在準(zhǔn)確性、上下文和可追溯性方面往往不足。標(biāo)準(zhǔn)RAG模型通常難以連接分散的信息、跨域推理或提供可驗證、可解釋的輸出。

就是GraphRAG（基于知識圖的檢索增強生成）變得至關(guān)重要的地方。GraphRAG通過利用基于知識圖的數(shù)據(jù)結(jié)構(gòu)來映射復(fù)雜數(shù)據(jù)集之間的關(guān)系，從而增強了AI響應(yīng)的相關(guān)性。這種方法不僅提高了準(zhǔn)確性，還提供了豐富、可驗證和情境感知的見解，使組織能夠真正意識到知識。技術(shù)專業(yè)人員可以依靠GraphRAG來提供高價值的決策，這些決策基于特定領(lǐng)域的推理，為數(shù)據(jù)添加了關(guān)鍵的背景和意義。

特定領(lǐng)域的推理能力為數(shù)據(jù)提供上下文和意義，這對于專業(yè)和可靠的建議至關(guān)重要?？绻铝?shù)據(jù)井的語義層創(chuàng)建了所有數(shù)據(jù)的統(tǒng)一視圖，實現(xiàn)了以往無法實現(xiàn)的全面見解。另一個好處是它能夠通過確保人工智能系統(tǒng)不是“黑匣子”，而是透明和值得信賴來支持人工智能治理和可解釋性。最后，它充當(dāng)了一個智能體骨干，通過協(xié)調(diào)一組智能體可以可靠地執(zhí)行復(fù)雜的任務(wù)。

知識優(yōu)先的方法解決了阻礙許多人工智能計劃的基礎(chǔ)數(shù)據(jù)混亂問題。實施知識優(yōu)先方法的業(yè)務(wù)影響是具體和可衡量的，克服了幾個關(guān)鍵挑戰(zhàn)，例如：

語義數(shù)字孿生：克服了碎片化的可見性、僵化的數(shù)據(jù)模型和不可訪問的信息。GraphRAG提高了預(yù)測性維護(hù)的準(zhǔn)確性，并縮短了關(guān)鍵設(shè)備故障的平均解決時間。

技術(shù)知識管理：打破孤島，簡化對復(fù)雜術(shù)語的訪問，并保留機構(gòu)專業(yè)知識。GraphRAG縮短了尋找工程解決方案的時間，并最大限度地減少了研發(fā)項目的重疊。

智能合規(guī)：駕馭監(jiān)管復(fù)雜性，發(fā)現(xiàn)隱藏的合規(guī)差距，并簡化報告。GraphRAG減少了合規(guī)違規(guī)，加快了監(jiān)管評估和審計。

對全球制造商、研究機構(gòu)和制藥公司的案例研究表明，GraphRAG節(jié)省了大量時間，正確答案率超過95%，優(yōu)于標(biāo)準(zhǔn)的基于向量的RAG方法。例如， Takeda物制藥公司正在使用GraphRAG技術(shù)將公司范圍內(nèi)的數(shù)據(jù)作為結(jié)構(gòu)化知識圖進(jìn)行處理，使其數(shù)據(jù)為人工智能做好準(zhǔn)備，并自動化業(yè)務(wù)流程。

為什么人工智能的成功取決于一種新的架構(gòu)方法

轉(zhuǎn)向知識優(yōu)先的架構(gòu)不僅是一種選擇，也是一種必要，是對傳統(tǒng)數(shù)據(jù)優(yōu)先思維的直接挑戰(zhàn)。幾十年來，企業(yè)一直專注于積累海量數(shù)據(jù)，認(rèn)為更多的數(shù)據(jù)本質(zhì)上會帶來更好的洞察力。然而，這種方法造成了碎片化、缺乏上下文的數(shù)據(jù)孤島。

這種“數(shù)字流沙”是“語義挑戰(zhàn)”的根源，因為數(shù)據(jù)是孤立和異構(gòu)的。例如，所有非結(jié)構(gòu)化數(shù)據(jù)（即電子郵件、報告、文檔）中的80-90%是一個巨大的、未開發(fā)的資源。問題不在于數(shù)據(jù)的稀缺性，而在于“缺乏能夠提取商業(yè)價值的工具和技術(shù)”。歧義是下一個因素，并且非常頻繁，數(shù)據(jù)資產(chǎn)存在同義詞（一件事有多個名稱）和同形詞（許多事情有一個名稱）。最后，元數(shù)據(jù)是“被動的”，這意味著它通常只在其原始數(shù)據(jù)倉中有意義。例如，搜索“藍(lán)色數(shù)據(jù)”可能會產(chǎn)生“Azure”、“Sapphire”和“Cerulean”，沒有上下文就無法解讀它們。

當(dāng)在這個不穩(wěn)定的基礎(chǔ)上構(gòu)建復(fù)雜的人工智能時，組織實際上是在數(shù)字流沙上構(gòu)建：人工智能模型無法運行，無法信任，項目永遠(yuǎn)無法擴展以提供有意義的商業(yè)價值。

知識優(yōu)先的方法從根本上改變了目標(biāo)，從簡單地存儲數(shù)據(jù)轉(zhuǎn)變?yōu)闃?gòu)建一個互聯(lián)的、全企業(yè)范圍的知識圖。知識圖不僅僅是對單詞進(jìn)行索引，而是理解這個詞的概念、其替代標(biāo)簽及其關(guān)系——是“用戶體驗設(shè)計”所需的一種技能。

這個“大腦”理解人、過程、產(chǎn)品和法規(guī)之間的關(guān)系。它提供了人工智能從簡單自動化轉(zhuǎn)向戰(zhàn)略智能所需的背景、推理和可靠性。

從語境貧乏到語境豐富：治理與意圖

這種架構(gòu)的真正力量在于它能夠理解用戶意圖+上下文。對“韌性”的標(biāo)準(zhǔn)搜索將返回一般的心理定義。但是，當(dāng)一位來自“銀行業(yè)”的用戶一直在閱讀關(guān)于“流行病”的文章并提出同樣的問題時，知識優(yōu)先系統(tǒng)會理解背景。并提供一個更有價值和相關(guān)性的答案。

這個語義層建立在分類法和本體論等知識模型之上，將“被動”元數(shù)據(jù)轉(zhuǎn)化為“主動”語義元數(shù)據(jù)。這種主動元數(shù)據(jù)是真正的人工智能治理的基礎(chǔ)，基于公平原則：使數(shù)據(jù)可查找、可訪問、可互操作和可重用。

實現(xiàn)知識優(yōu)先任務(wù)的關(guān)鍵要點

數(shù)據(jù)優(yōu)先失?。涸谒槠⒐铝⒑捅粍拥臄?shù)據(jù)上構(gòu)建人工智能是人工智能擴展失敗的主要原因。

知識優(yōu)先成功：一種知識優(yōu)先的方法，使用知識圖，創(chuàng)建了一個主動且相互關(guān)聯(lián)的語義層，提供上下文和推理。

這是“事物，而不是字符串”：人工智能必須理解單詞（字符串）背后的概念（事物），以解決歧義和同義詞。

上下文為王：數(shù)據(jù)的價值由用戶意圖和上下文決定。基于知識圖的系統(tǒng)可以區(qū)分意圖，并提供高度相關(guān)的、特定領(lǐng)域的答案。

治理是內(nèi)置的：基于FAIR原則（可查找、可訪問、可互操作、可重用）構(gòu)建的知識優(yōu)先架構(gòu)是強大的人工智能治理、合規(guī)性和沿襲的基礎(chǔ)。

GraphRAG是推動者：GraphRAG技術(shù)將知識圖的推理能力與LLM的生成能力聯(lián)系起來，提供準(zhǔn)確、可解釋和值得信賴的結(jié)果。

初代數(shù)據(jù)造了大量孤立、被動和模糊的信息。事實證明，對于企業(yè)現(xiàn)在所需的復(fù)雜、值得信賴和可擴展的人工智能來說，這是一個不穩(wěn)定的基礎(chǔ)。人工智能項目的成功不僅限于算法，還取決于為其提供高質(zhì)量、豐富上下文知識的架構(gòu)基礎(chǔ)。

與 Ai 時代前沿合作，將大門向更多普通用戶敞開！免費課程限時領(lǐng)，還有好禮相送！無論你是對新技術(shù)充滿好奇心的愛好者，還是希望提升自己技能的職場人士，這里都有適合你的課程和資源。歡迎掃碼加入我們！