人工智能技術(shù)分類和趨勢
三種流派的融合應(yīng)用，使人工智能向想象更進(jìn)一步
人工智能是對(duì)一類能夠?qū)崿F(xiàn)機(jī)器模擬智慧生命某些特征的技術(shù)統(tǒng)稱，從學(xué)術(shù)上可以分為，對(duì)人類已有知識(shí)進(jìn)行組織編輯的符號(hào)主義、通過數(shù)學(xué)理論公式推導(dǎo)聚類和預(yù)測問題的連接主義，以及利用機(jī)器模仿生物活體行為的行為主義三個(gè)流派，分別以知識(shí)工程、機(jī)器學(xué)習(xí)和仿生機(jī)器人為時(shí)代代表，而知識(shí)圖譜就是新一代知識(shí)工程的具體體現(xiàn)。2012年，深度學(xué)習(xí)在計(jì)算機(jī)視覺和智能語音上產(chǎn)生重大突破，打開了人工智能商業(yè)化的大門，使得連接主義一度成為人工智能的代名詞，但隨著應(yīng)用落地成為主旋律，缺位行業(yè)邏輯和理論概念的連接主義，往往找不到最佳的應(yīng)用場景而止步于淺層嘗試，在此背景下，人工智能技術(shù)應(yīng)當(dāng)走向融合，符號(hào)主義需要連接主義提供強(qiáng)大的計(jì)算支撐，連接主義需要符號(hào)主義的邏輯指導(dǎo)，二者又共同作用于行為主義，充當(dāng)機(jī)器人的大腦和“記憶宮殿”，在多種技術(shù)綜合利用下的垂直領(lǐng)域智能解決方案才是當(dāng)今最符合市場期待的方向。
人工智能技術(shù)應(yīng)用本質(zhì)
認(rèn)知智能使AI觸及生產(chǎn)核心，知識(shí)圖譜決定認(rèn)知智能的起點(diǎn)
人工智能與互聯(lián)網(wǎng)或5G等技術(shù)本質(zhì)上存在差別，后者解決的是信息的發(fā)出、傳遞、接收與反饋的閉環(huán)問題，而人工智能的本質(zhì)是進(jìn)行生產(chǎn)力升級(jí)，因此評(píng)判人工智能使用的是否有價(jià)值，要看其技術(shù)應(yīng)用是否貼近生產(chǎn)核心。人類生產(chǎn)力可以歸類為知識(shí)生產(chǎn)力和勞動(dòng)生產(chǎn)力，人工智能走入產(chǎn)業(yè)后，可以分為感知智能、認(rèn)知智能和行為智能，后兩者更與生產(chǎn)力相對(duì)應(yīng)。以計(jì)算機(jī)視覺、語音識(shí)別為代表的感知智能應(yīng)用深度學(xué)習(xí)，在算力與數(shù)據(jù)的支撐下突破了工業(yè)紅線，實(shí)現(xiàn)了機(jī)器對(duì)于自然界具象事物的判斷與識(shí)別，但僅僅如此并沒有觸及核心生產(chǎn)環(huán)節(jié)，所以也就限制了其商業(yè)應(yīng)用半徑。當(dāng)人們使用機(jī)器能識(shí)別更多事物的時(shí)候，自然而然的引發(fā)了，對(duì)事物背后的事理，理解、分析和決策的深層次需求，認(rèn)知智能呼之欲出。認(rèn)知智能核心解決的問題是對(duì)人類文明抽象概念的識(shí)別與聯(lián)想，通過自然語言處理（NLP）技術(shù)對(duì)文字內(nèi)容在語義上進(jìn)行初步認(rèn)知和自動(dòng)抓取，經(jīng)由知識(shí)圖譜對(duì)概念間的關(guān)系屬性進(jìn)行聯(lián)結(jié)、轉(zhuǎn)換，從而對(duì)人類社會(huì)生產(chǎn)、生活行為進(jìn)行描繪，實(shí)現(xiàn)業(yè)務(wù)規(guī)范梳理、生產(chǎn)流程可視化、人際關(guān)系挖掘等代表應(yīng)用，這與注重經(jīng)驗(yàn)、邏輯和方法論累積的知識(shí)生產(chǎn)力產(chǎn)生了直接對(duì)應(yīng)，而與勞動(dòng)生產(chǎn)力相對(duì)應(yīng)的行為智能同樣需要知識(shí)的指導(dǎo)，所以認(rèn)知智能的發(fā)展才是人工智能回歸本質(zhì)的表征，而搭建知識(shí)圖譜是認(rèn)知智能可以參與生產(chǎn)的基礎(chǔ)錨點(diǎn)。
知識(shí)圖譜概念定義
是一種描繪實(shí)體間關(guān)系的語義網(wǎng)絡(luò)，是認(rèn)知智能的必要基礎(chǔ)
知識(shí)圖譜是一種描繪實(shí)體之間關(guān)系的語義網(wǎng)絡(luò)，是人工智能重要研究領(lǐng)域——知識(shí)工程的主要表現(xiàn)形式之一。知識(shí)圖譜通過RDF（三元組），既“實(shí)體 x 關(guān)系 x 另一實(shí)體”或“實(shí)體 x 屬性 x 屬性值”集合的形式，以人類對(duì)世界認(rèn)知的角度，闡述世間萬物之間的關(guān)系，通過NLP技術(shù)、圖計(jì)算、知識(shí)表示學(xué)習(xí)等手段，將非線性世界中的知識(shí)信息結(jié)構(gòu)化，以便機(jī)器計(jì)算、存儲(chǔ)和查詢，起到賦予機(jī)器人類認(rèn)知的效果，是人工智能技術(shù)走向認(rèn)知的必要基礎(chǔ)。
知識(shí)圖譜發(fā)展歷程
三個(gè)時(shí)期五個(gè)階段奠定了現(xiàn)代知識(shí)圖譜的雛形
知識(shí)圖譜發(fā)展至今可以總結(jié)為三個(gè)時(shí)期和五個(gè)階段。1950-1977年是啟蒙期，包含了基礎(chǔ)概念階段和專家系統(tǒng)階段的開端，這一時(shí)期文獻(xiàn)索引的符號(hào)邏輯被提出并且應(yīng)用；1977-2012年是知識(shí)圖譜不斷演變的成長期，包含了大部分專家系統(tǒng)階段和Web 1.0和2.0階段，在此期間出現(xiàn)了很多如WordNet、Cyc、Hownet等大規(guī)模的人工知識(shí)庫，知識(shí)工程成為了人工智能重要的研究領(lǐng)域，2012年，Google正式提出的知識(shí)圖譜概念，開啟了現(xiàn)代知識(shí)圖譜的序章；2012年至今是知識(shí)圖譜的發(fā)展期，中國企業(yè)開始入局，以BAT為代表的科技公司依托自身業(yè)務(wù)，在搜索引擎、電商、醫(yī)療等領(lǐng)域開始應(yīng)用知識(shí)圖譜技術(shù)，解決辦法服務(wù)商們也從大數(shù)據(jù)賽道中脫穎而出，將知識(shí)圖譜技術(shù)拓展到安防、金融、教育等更多領(lǐng)域，讓AI跳出感知智能的商業(yè)局限，向解決各產(chǎn)業(yè)生產(chǎn)環(huán)節(jié)中的核心痛點(diǎn)更進(jìn)一步。
知識(shí)圖譜結(jié)構(gòu)
建設(shè)本體模型和實(shí)體數(shù)據(jù)庫是知識(shí)圖譜結(jié)構(gòu)的核心
知識(shí)圖譜從邏輯上可以分為概念層和數(shù)據(jù)層，數(shù)據(jù)層指以三元組為表現(xiàn)形式的客觀事實(shí)集合，而概念層是它的“上層建筑”，是經(jīng)過積累沉淀的知識(shí)集合。建設(shè)中以本體模型和實(shí)體數(shù)據(jù)庫為核心，根據(jù)二者的建設(shè)順序又分為先定義本體和數(shù)據(jù)規(guī)范，再抽取數(shù)據(jù)的“自頂向下型”和先抽取實(shí)體數(shù)據(jù)，再逐層構(gòu)建本體的“自底向上型”兩種模式，前者適用于場景較為固定，存在可量化行業(yè)邏輯的領(lǐng)域，如金融、醫(yī)療、法律等；后者適用于新拓展的，有大量數(shù)據(jù)積累，行業(yè)邏輯難以直接展現(xiàn)的領(lǐng)域?？傮w而言，搭建知識(shí)圖譜從數(shù)據(jù)源開始，經(jīng)歷了知識(shí)抽取、知識(shí)融合、知識(shí)加工等步驟。原始的數(shù)據(jù)通過知識(shí)抽取或數(shù)據(jù)整合的方式轉(zhuǎn)換為三元組形式，然后三元組數(shù)據(jù)再經(jīng)過實(shí)體對(duì)齊，加入數(shù)據(jù)模型，形成標(biāo)準(zhǔn)的知識(shí)表示，過程中如產(chǎn)生新的關(guān)系組合，通過知識(shí)推理形成新的知識(shí)形態(tài)，與原有知識(shí)共同經(jīng)過質(zhì)量評(píng)估，完成知識(shí)融合，最終形成完整形態(tài)上的知識(shí)圖譜。
多源異構(gòu)的數(shù)據(jù)來源
結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)的抽取是搭建基礎(chǔ)，非結(jié)構(gòu)化數(shù)據(jù)抽取的發(fā)展將拓寬知識(shí)圖譜的應(yīng)用邊際
知識(shí)抽取是搭建知識(shí)圖譜過程中至關(guān)重要的一環(huán)，也是目前評(píng)判知識(shí)圖譜優(yōu)劣性的標(biāo)準(zhǔn)之一。知識(shí)抽取所處理的信息往往是明確的事實(shí)性信息，信息源通常分為已有關(guān)聯(lián)數(shù)據(jù)庫的結(jié)構(gòu)化數(shù)據(jù)、如表格和列表類的半結(jié)構(gòu)化數(shù)據(jù)，以及如TXT格式的文本類非結(jié)構(gòu)化數(shù)據(jù)，前二者可以通過D2R（DRF格式轉(zhuǎn)換器）、包裝器（格式解析工具）等工具完成處理，而文本類非結(jié)構(gòu)化數(shù)據(jù)需要通過自然語言處理的相關(guān)技術(shù)進(jìn)行知識(shí)抽取，所有數(shù)據(jù)最終都要通過處理轉(zhuǎn)化為標(biāo)準(zhǔn)數(shù)據(jù)供圖譜使用。隨著生物識(shí)別和物體識(shí)別等AI技術(shù)的應(yīng)用，指紋庫、人臉庫、車輛庫等數(shù)據(jù)庫逐步建立，對(duì)于非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取將不再局限于文本，所搭建的知識(shí)圖譜維度將會(huì)更豐富，應(yīng)用場景更加垂直下沉。
大規(guī)模應(yīng)用落地的保障——知識(shí)抽取
實(shí)體和關(guān)系抽取是核心，事件抽取是知識(shí)更新的重要手段
對(duì)信息源的知識(shí)抽取主要按照自然語義中的主謂賓語法進(jìn)行抽取，分為實(shí)體抽取、關(guān)系抽取、屬性抽取和事件抽取等。實(shí)體抽取指在信息源中識(shí)別出特定的元素標(biāo)簽，并與實(shí)體庫中的標(biāo)簽相鏈接，是信息抽取中最基礎(chǔ)的部分；關(guān)系抽取意在找到信息源中實(shí)體間的關(guān)系，可分為全局抽取和局部抽取，全局抽取是通過語料庫對(duì)信息源中的所有關(guān)系對(duì)進(jìn)行抽取，而局部抽取則是判斷一句話中實(shí)體的關(guān)系類型，目前可以通過特征標(biāo)注的有監(jiān)督學(xué)習(xí)和借助外部知識(shí)庫進(jìn)行標(biāo)注的遠(yuǎn)程監(jiān)督學(xué)習(xí)實(shí)現(xiàn)，后者相比前者節(jié)省人工標(biāo)注成本，但準(zhǔn)確率略低；屬性抽取可以看作實(shí)體和其屬性值之間的關(guān)系，屬于關(guān)系抽取的一種類型；事件抽取是將信息源中指定的事件信息抽取，并結(jié)構(gòu)化地表現(xiàn)出來，包括事件的時(shí)間、地點(diǎn)、人物、原因、結(jié)果等，通常使用將事件劃分多個(gè)分類階段的pipeline方法和利用神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，事件抽取擁有時(shí)間維度，可以與時(shí)俱進(jìn)地迭代學(xué)習(xí)，是知識(shí)圖譜知識(shí)更新的重要手段。
快速工程化搭建的利器——知識(shí)融合
通過本體對(duì)齊和實(shí)體對(duì)齊實(shí)現(xiàn)知識(shí)庫聯(lián)結(jié)合并，形成更加統(tǒng)一、稠密的新型知識(shí)圖譜
知識(shí)融合是指，從概念層和數(shù)據(jù)層兩方面，通過知識(shí)庫的對(duì)齊、關(guān)聯(lián)、合并等方式，將多個(gè)知識(shí)圖譜或信息源中的本體與實(shí)體進(jìn)行鏈接，形成一個(gè)更加統(tǒng)一、稠密的新型知識(shí)圖譜，是實(shí)現(xiàn)知識(shí)共享的重要方法。概念層的知識(shí)融合主要表現(xiàn)為本體對(duì)齊，是指確定概念、關(guān)系、屬性等本體之間映射關(guān)系的過程，一般通過機(jī)器學(xué)習(xí)算法對(duì)本體間的相似度進(jìn)行計(jì)算來實(shí)現(xiàn)，根據(jù)自然語言類型，可分為單語言對(duì)齊和跨語言對(duì)齊，其中跨語言對(duì)齊是實(shí)現(xiàn)知識(shí)國際交流的重要方式。數(shù)據(jù)層的知識(shí)融合主要表現(xiàn)為共指消解和實(shí)體對(duì)齊，前者意在將同一信息源中同一實(shí)體的不同標(biāo)簽統(tǒng)一，實(shí)現(xiàn)消歧的目的；后者是將不同信息源中同一實(shí)體進(jìn)行統(tǒng)一，使信息源之間產(chǎn)生聯(lián)結(jié)。知識(shí)融合的使用能夠大量應(yīng)用人類已有知識(shí)儲(chǔ)備，節(jié)省成本，是快速搭建知識(shí)圖譜的必要手段，也是現(xiàn)代知識(shí)圖譜應(yīng)用中重要的研究領(lǐng)域。
由數(shù)據(jù)向知識(shí)轉(zhuǎn)化的秘訣——知識(shí)加工
本體構(gòu)建、知識(shí)推理和質(zhì)量評(píng)估使RDF數(shù)據(jù)向“知識(shí)”躍遷
經(jīng)過知識(shí)抽取和知識(shí)融合，實(shí)體和本體從信息源中被識(shí)別、抽取，并且消岐、統(tǒng)一，此時(shí)得到的關(guān)聯(lián)數(shù)據(jù)是對(duì)客觀事實(shí)的基本表達(dá)，但客觀事實(shí)還不是知識(shí)圖譜需要的知識(shí)體系，想要獲得結(jié)構(gòu)化的知識(shí)網(wǎng)絡(luò)，還需要經(jīng)過本體構(gòu)建、知識(shí)推理和質(zhì)量評(píng)估等知識(shí)加工過程。本體構(gòu)建是知識(shí)圖譜內(nèi)實(shí)體連通的語義基礎(chǔ)，以“點(diǎn)線面”組成的網(wǎng)狀結(jié)構(gòu)為表現(xiàn)形式，“點(diǎn)”代表不同實(shí)體，“線”代表實(shí)體間的關(guān)系，“面”既是知識(shí)網(wǎng)絡(luò)。本體可以通過人工總結(jié)專家經(jīng)驗(yàn)進(jìn)行手動(dòng)編程，也可以由機(jī)器學(xué)習(xí)驅(qū)動(dòng)進(jìn)行自動(dòng)構(gòu)建，本體構(gòu)建的模型深度和廣度，決定了知識(shí)圖譜的應(yīng)用價(jià)值；知識(shí)推理是通過對(duì)已有實(shí)體間關(guān)系的計(jì)算，找到新關(guān)聯(lián)，從而豐富新知識(shí)的過程，也是知識(shí)圖譜更新的重要手段；質(zhì)量評(píng)估是知識(shí)加工最后的“質(zhì)檢”環(huán)節(jié)，確保經(jīng)本體構(gòu)建和知識(shí)推理得到的知識(shí)是合理，且符合知識(shí)圖譜應(yīng)用目的，根據(jù)所建設(shè)知識(shí)圖譜的類型和具體用途，質(zhì)量評(píng)估的標(biāo)注有所不同。
知識(shí)圖譜的載體——知識(shí)存儲(chǔ)
關(guān)系型數(shù)據(jù)庫和圖存儲(chǔ)是現(xiàn)代知識(shí)圖譜較為常見的存儲(chǔ)方式
知識(shí)存儲(chǔ)是將知識(shí)圖譜的概念層和數(shù)據(jù)層以計(jì)算機(jī)可識(shí)別的數(shù)據(jù)格式進(jìn)行保存的物理形式，是知識(shí)的現(xiàn)實(shí)容器。知識(shí)存儲(chǔ)按照存儲(chǔ)結(jié)構(gòu)可以分為表格形式和圖形式，常見的表格存儲(chǔ)有三元組表、類型表和關(guān)系型數(shù)據(jù)庫，前二者難于大規(guī)模建設(shè)，且查詢、維護(hù)、刪改等操作成本較高，不適用于現(xiàn)代知識(shí)圖譜應(yīng)用。關(guān)系數(shù)據(jù)庫通過屬性記錄實(shí)體，能很好的和RDF完成映射，利用SQL語言也能方便快捷的進(jìn)行知識(shí)檢索，是目前應(yīng)用較為廣泛的知識(shí)存儲(chǔ)方式；圖存儲(chǔ)是以圖形結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)的方式，并非圖片存儲(chǔ)。以圖形的“節(jié)點(diǎn)”象征實(shí)體，節(jié)點(diǎn)間的“邊”代表實(shí)體間的關(guān)系，這種結(jié)構(gòu)與知識(shí)圖譜內(nèi)本體結(jié)構(gòu)非常貼合，更有利于知識(shí)查詢和價(jià)值挖掘，常被應(yīng)用于本體層的存儲(chǔ)，但在某些場景中因其格式死板問題，并不適合全面應(yīng)用。結(jié)合圖譜使用目的，靈活的選擇存儲(chǔ)搭配方式，是符合當(dāng)下知識(shí)圖譜落地的最佳方案。
知識(shí)圖譜的主要算法——圖計(jì)算
用于圖結(jié)構(gòu)化數(shù)據(jù)間的關(guān)聯(lián)性推理運(yùn)算，善于挖掘隱藏關(guān)系
圖計(jì)算屬于大數(shù)據(jù)挖掘技術(shù)的一種，專用于圖結(jié)構(gòu)化數(shù)據(jù)之間關(guān)聯(lián)性的推理運(yùn)算，基礎(chǔ)數(shù)據(jù)格式與圖存儲(chǔ)相對(duì)應(yīng)，由代表實(shí)體的“點(diǎn)”、代表本體的“邊”和邊上的權(quán)重組成，這里的權(quán)重多指一些包含時(shí)序性信息的具體數(shù)據(jù)。圖計(jì)算算法主要包括全盤訪問每一個(gè)節(jié)點(diǎn)的遍歷算法、用于計(jì)算社交網(wǎng)絡(luò)中人際關(guān)系的社區(qū)發(fā)現(xiàn)、源自搜索引擎，用于網(wǎng)頁鏈接排序的PageRank，以及解決圖結(jié)構(gòu)中距離問題的最短路徑算法，在知識(shí)圖譜中主要應(yīng)用遍歷算法進(jìn)行知識(shí)推理，以發(fā)現(xiàn)實(shí)體間隱藏的關(guān)系。為了更高效的進(jìn)行圖計(jì)算，在應(yīng)用中會(huì)使用圖計(jì)算系統(tǒng)和計(jì)算模型，圖計(jì)算系統(tǒng)分為單機(jī)系統(tǒng)和分布式多機(jī)系統(tǒng)，對(duì)于大規(guī)模圖結(jié)構(gòu)存儲(chǔ)的計(jì)算后者更具有優(yōu)勢。而圖計(jì)算模型被用于解決圖計(jì)算因頻繁迭代帶來的數(shù)據(jù)讀取等待和成本高的問題、對(duì)相鄰節(jié)點(diǎn)和邊的計(jì)算依賴問題，以及難以在分布不均的區(qū)塊上并行計(jì)算的問題。
知識(shí)圖譜的關(guān)鍵技術(shù)——自然語言處理
通過分詞、詞性標(biāo)注和句法分析等方式使語言與程序相耦合
自然語言處理（NLP）是一門涉及語言學(xué)、數(shù)學(xué)和計(jì)算機(jī)科學(xué)的綜合學(xué)科，主要研究人與計(jì)算機(jī)之間使用人類自然語言進(jìn)行有效溝通的理論和方法。NLP技術(shù)包含非常廣泛，最常應(yīng)用于知識(shí)圖譜中的能力是對(duì)于自然語言中信息的抽取，基本能力包括分詞、詞性標(biāo)注和句法分析，通過詞典法或統(tǒng)計(jì)法將文章中的詞語進(jìn)行分割，由最大熵、HMM或CRF等算法訓(xùn)練模型，對(duì)名詞、動(dòng)詞、形容詞、標(biāo)點(diǎn)符號(hào)等詞性類別進(jìn)行識(shí)別和標(biāo)注，再根據(jù)規(guī)則法或統(tǒng)計(jì)法對(duì)語句的主謂賓等句法結(jié)構(gòu)進(jìn)行分析，得到完整句式，最終產(chǎn)出一個(gè)計(jì)算機(jī)可識(shí)別的語料庫，供后續(xù)需求調(diào)取。NLP技術(shù)是人工智能領(lǐng)域最具有挑戰(zhàn)性的任務(wù)之一，2018年10月，谷歌公布的BERT模型在11項(xiàng)NLP任務(wù)中表現(xiàn)卓越，將下游具體NLP任務(wù)近一步推向預(yù)訓(xùn)練產(chǎn)生詞向量環(huán)節(jié)，增強(qiáng)了NLP的泛化能力和自動(dòng)化能力，為業(yè)界帶來了新的思考方向，隨著訓(xùn)練模型的不斷探索與開源，類似深度神經(jīng)網(wǎng)絡(luò)于識(shí)別類任務(wù)的里程碑型訓(xùn)練算法終將出現(xiàn)，屆時(shí)NLP訓(xùn)練成本將大大降低，從而真正走向產(chǎn)業(yè)化，開啟認(rèn)知智能的大門。
業(yè)界前沿技術(shù)——知識(shí)表示學(xué)習(xí)
將知識(shí)映射到向量空間參與計(jì)算，用深度學(xué)習(xí)挖掘隱藏關(guān)系
表示學(xué)習(xí)是深度學(xué)習(xí)的核心環(huán)節(jié)，其本質(zhì)是將研究對(duì)象的語義信息轉(zhuǎn)化為稠密低維的向量，利用數(shù)學(xué)模型表示實(shí)例，并參與機(jī)器計(jì)算。知識(shí)表示學(xué)習(xí)是圖神經(jīng)網(wǎng)絡(luò)（GNN）重要的應(yīng)用表現(xiàn)，是面向知識(shí)庫中概念和實(shí)體進(jìn)行的表示學(xué)習(xí)，它的價(jià)值在于能夠量化語義信息，進(jìn)而計(jì)算概念間和實(shí)體間的相似度，實(shí)現(xiàn)關(guān)系抽取、實(shí)體對(duì)齊和知識(shí)推理的效果。知識(shí)表示學(xué)習(xí)的應(yīng)用能夠有效提升計(jì)算效率、降低數(shù)據(jù)稀疏帶來的學(xué)習(xí)難度、解決多元異質(zhì)數(shù)據(jù)的耦合問題等，是知識(shí)圖譜技術(shù)的重點(diǎn)研究方向。目前知識(shí)表示學(xué)習(xí)的前沿研究仍以模型試驗(yàn)為主，以提高模型的預(yù)測準(zhǔn)確性、可解釋性、泛化能力為研究重心，使知識(shí)表示能夠區(qū)分概念和實(shí)體，增強(qiáng)邏輯性是研究方向，隨著知識(shí)表示學(xué)習(xí)的發(fā)展成熟，認(rèn)知智能將更快得以實(shí)現(xiàn)。
知識(shí)圖譜的應(yīng)用價(jià)值
對(duì)多源異構(gòu)數(shù)據(jù)和多維復(fù)雜關(guān)系的處理與可視化展示是現(xiàn)階段的主要價(jià)值，圖神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)算法應(yīng)用將帶來更廣闊的認(rèn)知市場
知識(shí)圖譜是人工智能符號(hào)學(xué)派中知識(shí)工程的代表應(yīng)用，其核心價(jià)值在于對(duì)多源異構(gòu)數(shù)據(jù)和多維復(fù)雜關(guān)系的處理與可視化展示，其底層邏輯是將人類社會(huì)生活與生產(chǎn)活動(dòng)中難以用數(shù)學(xué)模型直接表示的關(guān)聯(lián)屬性，利用語義網(wǎng)絡(luò)和專業(yè)領(lǐng)域知識(shí)進(jìn)行組織存儲(chǔ)，形成一張以關(guān)系為紐帶的數(shù)據(jù)網(wǎng)絡(luò)，通過對(duì)關(guān)系的挖掘與分析，能夠找到隱藏在行為之下的利益鏈條和價(jià)值鏈條，并進(jìn)行直觀的圖例展示。在面對(duì)數(shù)據(jù)多樣、復(fù)雜，孤島化，且單一數(shù)據(jù)價(jià)值不高的應(yīng)用場景時(shí)，存在關(guān)系深度搜索、規(guī)范業(yè)務(wù)流程、規(guī)則和經(jīng)驗(yàn)性預(yù)測等需求，使用知識(shí)圖譜解決方案將帶來最佳的應(yīng)用價(jià)值。連接主義中的深度學(xué)習(xí)算法幾乎代表了當(dāng)代整個(gè)人工智能技術(shù)，但深度學(xué)習(xí)需要具有明確因果關(guān)系的數(shù)據(jù)對(duì)訓(xùn)練，且存在尚缺乏解釋性的黑箱問題，在摻雜眾多非線性問題的復(fù)雜場景中應(yīng)用價(jià)值有限，通過與知識(shí)圖譜的配合使用，在一定程度上可以解決此類問題，隨著關(guān)系向量法深入研究，圖神經(jīng)網(wǎng)絡(luò)將走向產(chǎn)業(yè)應(yīng)用，屆時(shí)依托于行業(yè)知識(shí)與經(jīng)驗(yàn)的深度學(xué)習(xí)將產(chǎn)生更多貼近產(chǎn)業(yè)核心的認(rèn)知智能應(yīng)用，人工智能技術(shù)也將跟進(jìn)一步實(shí)現(xiàn)生產(chǎn)力升級(jí)的終極目標(biāo)。
知識(shí)圖譜市場商業(yè)邏輯分析
原圖應(yīng)用解決查詢類問題，算法支撐造就智能化解決方案
知識(shí)圖譜作為一種更加形象的數(shù)據(jù)表現(xiàn)方式，其產(chǎn)品形式可以分為原圖應(yīng)用和算法支撐兩類。原圖應(yīng)用是指直接通過圖譜產(chǎn)生價(jià)值的服務(wù)形式，圖譜根據(jù)概念層和數(shù)據(jù)層的區(qū)別可以分為通用知識(shí)圖譜和行業(yè)知識(shí)圖譜，通用知識(shí)圖譜信息一般來自開放的互聯(lián)網(wǎng)，三元組多為具有普適性的常識(shí)知識(shí)，知識(shí)覆蓋的廣泛性越強(qiáng)，價(jià)值越凸顯，其特性更適用于如谷歌、百度、搜狗等百科型搜索引擎，被視為下一代搜索引擎的核心技術(shù)。而行業(yè)知識(shí)圖譜則更看重具體場景中的認(rèn)知深度，以及與行業(yè)know-how的結(jié)合程度，在此基礎(chǔ)上實(shí)現(xiàn)的知識(shí)檢索、隱藏關(guān)系挖掘和缺失數(shù)據(jù)補(bǔ)足，能很好地滿足垂直領(lǐng)域知識(shí)類查詢的需求，例如企業(yè)業(yè)務(wù)流程查詢、司法領(lǐng)域案例查詢、警務(wù)領(lǐng)域嫌疑人關(guān)系查詢等；算法支撐是指通過知識(shí)圖譜對(duì)于信息源的生數(shù)據(jù)進(jìn)行處理，將產(chǎn)出的結(jié)構(gòu)化關(guān)聯(lián)數(shù)據(jù)用于算法模型訓(xùn)練和應(yīng)用，得到能解決具體場景問題的研判建議，從而形成解決辦法產(chǎn)生價(jià)值的服務(wù)形式。結(jié)合垂直行業(yè)B端市場的需求特點(diǎn)，由知識(shí)圖譜作為算法支撐的智能解決辦法具有更凸顯的市場價(jià)值和更廣闊的想象空間，用于投研投顧、輔助斷案、業(yè)績預(yù)測等偏向于認(rèn)知智能的服務(wù)，是以知識(shí)圖譜和算法能力見長的數(shù)據(jù)智能服務(wù)公司應(yīng)有的核心競爭力。
中國知識(shí)圖譜市場產(chǎn)業(yè)鏈戰(zhàn)略分析
中游解決方案提供方進(jìn)行全流程服務(wù)，是產(chǎn)業(yè)鏈核心環(huán)節(jié)，中國知識(shí)圖譜市場產(chǎn)業(yè)鏈上游主要以各類數(shù)據(jù)源企業(yè)或機(jī)構(gòu)為主，因所處理數(shù)據(jù)多具有敏感性和專屬性，所以往往數(shù)據(jù)源也是服務(wù)的需求方；中上游主要包括數(shù)據(jù)采集服務(wù)商、數(shù)據(jù)庫服務(wù)商、云服務(wù)商等，為產(chǎn)業(yè)鏈做支撐服務(wù)，但涉及保密數(shù)據(jù)采集加工的業(yè)務(wù)更多交由解決方案提供方直接處理；中游主要以提供知識(shí)圖譜解決方案的大數(shù)據(jù)智能公司、互聯(lián)網(wǎng)公司和AI公司為主，該部分是產(chǎn)業(yè)鏈的核心環(huán)節(jié)。其中大數(shù)據(jù)智能公司多脫身于大數(shù)據(jù)公司，憑借多年數(shù)據(jù)服務(wù)積累，在具體領(lǐng)域中具有先發(fā)優(yōu)勢和工程落地經(jīng)驗(yàn)，隨著市場對(duì)于認(rèn)知智能需求的覺醒，近些年越來越多的大數(shù)據(jù)公司開始向知識(shí)圖譜做技術(shù)拓展?；ヂ?lián)網(wǎng)公司多以巨頭企業(yè)為主，因其綜合服務(wù)能力強(qiáng)、具有生態(tài)優(yōu)勢等因素，在資源調(diào)動(dòng)和承接整體解決方案方面具有優(yōu)勢。AI公司主要以機(jī)器學(xué)習(xí)能力、NLP能力切入知識(shí)圖譜市場，在技術(shù)創(chuàng)新和算法應(yīng)用開發(fā)方面具有優(yōu)勢；下游為基于知識(shí)圖譜而開發(fā)應(yīng)用的各類具體場景應(yīng)用，知識(shí)圖譜應(yīng)用在中國剛剛起步，主要聚焦于圖中展示領(lǐng)域，隨著市場推進(jìn)將輻射更多行業(yè)。
中國大數(shù)據(jù)智能行業(yè)市場規(guī)模和結(jié)構(gòu)
2019年市場規(guī)模約為106.6億元，金融和公安領(lǐng)域占比最大
據(jù)艾瑞咨詢統(tǒng)計(jì)推算，2019年涵蓋大數(shù)據(jù)分析預(yù)測、領(lǐng)域知識(shí)圖譜及NLP應(yīng)用的大數(shù)據(jù)智能市場規(guī)模約為106.6億元，預(yù)計(jì)2023年將突破300億元，年復(fù)合增長率為30.8%，其中2019年市場中以金融領(lǐng)域和公安領(lǐng)域應(yīng)用份額占比最大，金融領(lǐng)域因標(biāo)準(zhǔn)化數(shù)據(jù)積累豐富，行業(yè)認(rèn)知與直接需求最為明顯等因素，成為數(shù)據(jù)智能最早落地并產(chǎn)生價(jià)值的行業(yè)；公安領(lǐng)域經(jīng)過三年的感知智能基礎(chǔ)設(shè)施建設(shè)，已經(jīng)初步形成人工智能應(yīng)用環(huán)境，在黨中央和公安部的號(hào)召指導(dǎo)下，公安大數(shù)據(jù)建設(shè)將成為下一階段的主題，這一趨勢也在2019年相關(guān)招標(biāo)項(xiàng)目中得以體現(xiàn)。隨著整體市場數(shù)據(jù)基礎(chǔ)的完善和需求喚醒，大數(shù)據(jù)智能領(lǐng)域規(guī)模持續(xù)走高，但在行業(yè)可落地性和理性建設(shè)的限制下，預(yù)計(jì)市場增速將呈現(xiàn)下降趨勢，期間咨詢性需求將會(huì)大量出現(xiàn)，從整體發(fā)展來看增速處于良性區(qū)間，對(duì)真正有價(jià)值的公司和產(chǎn)品有正向意義。
知識(shí)圖譜應(yīng)用——搜索引擎領(lǐng)域
知識(shí)索引可將有價(jià)值的信息以自然語言的形式直接展現(xiàn)
搜索引擎是互聯(lián)網(wǎng)發(fā)展中最具代表性的應(yīng)用之一，它解決了人們?nèi)绾畏奖惬@取信息的問題，一度成為大部分流量的入口。但隨著網(wǎng)絡(luò)中信息沉積越來越多，人們真正需要的，隱藏在大量無用信息中有價(jià)值的部分，我們稱之為知識(shí)的內(nèi)容，往往得不到直觀展現(xiàn)，這成為了搜索引擎領(lǐng)域重點(diǎn)要解決的問題。2012年5月，谷歌率先提出知識(shí)圖譜概念，用以更好的描述現(xiàn)實(shí)世界中實(shí)體關(guān)聯(lián)性問題，進(jìn)而提高信息搜索中的知識(shí)獲取效率，隨后搜狗、微軟、百度紛紛推出相關(guān)概念架構(gòu)，知識(shí)圖譜被視為下一代搜索引擎的核心技術(shù)。傳統(tǒng)搜索引擎一般采用網(wǎng)頁索引，按照“網(wǎng)頁--（預(yù)處理）--> 臨時(shí)庫 --（索引）--> 索引好的庫 --（由用戶行為觸發(fā)檢索）--> 為用戶展示網(wǎng)頁結(jié)果”的流程執(zhí)行，信息源來自網(wǎng)頁，展現(xiàn)內(nèi)容也是網(wǎng)頁鏈接。而基于知識(shí)圖譜的搜索作為和網(wǎng)頁索引同級(jí)、并行的另一套知識(shí)索引，更注重信息間的關(guān)聯(lián)性和自然語言理解，通過圖存儲(chǔ)的形式從新組織互聯(lián)網(wǎng)中的信息，再以人類的語言習(xí)慣進(jìn)行查詢和展現(xiàn)，從而提高搜索體驗(yàn)，因?yàn)橹R(shí)的存儲(chǔ)形式發(fā)生了變化，所以知識(shí)索引信息來源和展現(xiàn)載體都不再局限于網(wǎng)頁文字，語音交互和更加豐富的IoT場景將會(huì)是未來的發(fā)展方向。
知識(shí)圖譜應(yīng)用——公共安全領(lǐng)域
公安知識(shí)圖譜重點(diǎn)解決數(shù)據(jù)關(guān)聯(lián)性和數(shù)據(jù)價(jià)值挖掘問題
公安大數(shù)據(jù)是全面助推公安工作質(zhì)量變革、效率變革、動(dòng)力變革的重要力量，受到黨中央和公安部的高度重視，而作為大數(shù)據(jù)和人工智能雙重技術(shù)的應(yīng)用表現(xiàn)，知識(shí)圖譜通過數(shù)據(jù)分析、文本語義分析等，抽取出人、物、地、組織機(jī)構(gòu)、服務(wù)標(biāo)識(shí)等實(shí)體，并根據(jù)實(shí)體的屬性聯(lián)系、空間聯(lián)系、語義聯(lián)系、特征聯(lián)系等建立相互關(guān)聯(lián)，構(gòu)建一張具有公安特性的多維多層的實(shí)體與實(shí)體、實(shí)體與事件的關(guān)系網(wǎng)絡(luò)，在解決公安大數(shù)據(jù)發(fā)展中面臨的數(shù)據(jù)缺乏關(guān)聯(lián)性等問題時(shí)起到了重要作用。建設(shè)公安知識(shí)圖譜仍然遵循知識(shí)圖譜搭建邏輯，其中知識(shí)抽取、本體層建設(shè)和實(shí)戰(zhàn)應(yīng)用開發(fā)，需要將公安部門多年積累的實(shí)戰(zhàn)經(jīng)驗(yàn)與技術(shù)算法相互轉(zhuǎn)換，重點(diǎn)考驗(yàn)公安知識(shí)圖譜解決辦法提供商對(duì)公安業(yè)務(wù)的理解能力和專業(yè)積累，是該行業(yè)競爭中重要的壁壘。
知識(shí)圖譜應(yīng)用——金融領(lǐng)域
知識(shí)圖譜與機(jī)器學(xué)習(xí)相結(jié)合的智能風(fēng)控方案是主流趨勢
在金融領(lǐng)域中無論是傳統(tǒng)金融或是互聯(lián)網(wǎng)金融，信用評(píng)估、反欺詐和風(fēng)險(xiǎn)控制都是最為關(guān)鍵的環(huán)節(jié)，隨著近些年金融數(shù)據(jù)的爆發(fā)式增長，傳統(tǒng)風(fēng)控系統(tǒng)逐漸力有不逮，而應(yīng)用機(jī)器學(xué)習(xí)算法和知識(shí)圖譜的智能風(fēng)控系統(tǒng)在風(fēng)險(xiǎn)識(shí)別能力和大規(guī)模運(yùn)算方面具有突出優(yōu)勢，逐漸成為金融領(lǐng)域風(fēng)控反欺詐的主要手段。機(jī)器學(xué)習(xí)和知識(shí)圖譜相結(jié)合是目前主流的解決方案，其中機(jī)器學(xué)習(xí)算法通過概率計(jì)算的方式，以數(shù)學(xué)運(yùn)算特征反應(yīng)風(fēng)險(xiǎn)情況，形成易于機(jī)器計(jì)算的風(fēng)控模型；而知識(shí)圖譜通過權(quán)威經(jīng)驗(yàn)和規(guī)則創(chuàng)建本體模型和抽取實(shí)體的范圍，根據(jù)實(shí)體間關(guān)系形成關(guān)聯(lián)數(shù)據(jù)網(wǎng)的圖譜形式，描畫囊括個(gè)人基礎(chǔ)信息、金融行為、社交網(wǎng)絡(luò)行為等用戶綜合畫像，根據(jù)畫像情況和模型對(duì)應(yīng)，形成具有金融業(yè)務(wù)特性的風(fēng)控體系，在解決方案的決策環(huán)節(jié)結(jié)合規(guī)則和概率的綜合評(píng)價(jià)，給出最終的風(fēng)險(xiǎn)評(píng)估，整個(gè)過程能夠?qū)崿F(xiàn)秒級(jí)響應(yīng)。知識(shí)圖譜的應(yīng)用不僅能夠?yàn)槿狈山忉屝缘臋C(jī)器學(xué)習(xí)算法帶來必要的參考系，還可以串聯(lián)金融業(yè)務(wù)中產(chǎn)生的大量多源異構(gòu)數(shù)據(jù)形成數(shù)據(jù)中臺(tái)，挖掘數(shù)據(jù)深層價(jià)值，為實(shí)現(xiàn)精準(zhǔn)營銷、投資關(guān)系梳理、產(chǎn)業(yè)鏈風(fēng)險(xiǎn)預(yù)警、智能催收等上層應(yīng)用打下基礎(chǔ)。
知識(shí)圖譜應(yīng)用——投研領(lǐng)域
知識(shí)圖譜通過自動(dòng)抓取和產(chǎn)業(yè)鏈關(guān)系推理解決投研領(lǐng)域痛點(diǎn)
對(duì)一級(jí)市場或二級(jí)市場的投資研究，一直是泛金融領(lǐng)域重要的課題，上市公司或一些重要的標(biāo)的公司在公開網(wǎng)絡(luò)中披露了眾多如財(cái)務(wù)數(shù)據(jù)、定期公告、公司研報(bào)等有價(jià)值的信息，為投資者行為提供了充分的參考依據(jù)。傳統(tǒng)投研工作需要分析師通過各種渠道去搜集和判別信息，憑借個(gè)人經(jīng)驗(yàn)對(duì)零散的數(shù)據(jù)進(jìn)行組織建模，以報(bào)告的形式產(chǎn)出趨勢觀點(diǎn)和數(shù)據(jù)分析，大部分的物料和時(shí)間成本都花費(fèi)在信息和數(shù)據(jù)的搜集上，而且成果可控性不高，縱使頭部金融數(shù)據(jù)機(jī)構(gòu)提供了相應(yīng)的軟件產(chǎn)品，但數(shù)據(jù)的顆粒度和產(chǎn)業(yè)鏈關(guān)聯(lián)性仍難以滿足多元需求，這成為了該行業(yè)長久存在的痛點(diǎn)。投研知識(shí)圖譜以公司信息、產(chǎn)業(yè)鏈關(guān)聯(lián)為切入點(diǎn)，利用NLP技術(shù)自動(dòng)抓取關(guān)鍵信息，搭建投研領(lǐng)域知識(shí)圖譜，將各個(gè)行業(yè)的發(fā)展變化抽象導(dǎo)入數(shù)字層面，為知識(shí)查詢和應(yīng)用開發(fā)提供實(shí)現(xiàn)基礎(chǔ)。據(jù)統(tǒng)計(jì)，券商研報(bào)中80%的數(shù)據(jù)指標(biāo)在傳統(tǒng)軟件產(chǎn)品中無法查詢到，分析師在進(jìn)入一個(gè)新領(lǐng)域時(shí)要耗費(fèi)一周左右的時(shí)間搜集類似數(shù)據(jù)，而利用投研知識(shí)圖譜可以將其必要?jiǎng)趧?dòng)時(shí)間縮短到一分鐘，大幅提高投研效率。除靜態(tài)領(lǐng)域圖譜外，還可以利用時(shí)間序列搭建對(duì)網(wǎng)絡(luò)報(bào)道、新聞事件進(jìn)行抓取的事理圖譜，兩相結(jié)合，從行業(yè)固有邏輯和實(shí)時(shí)信息雙管齊下，推導(dǎo)事情的發(fā)展脈絡(luò)和趨勢走向，為投研機(jī)構(gòu)和投資者清晰的梳理關(guān)聯(lián)脈絡(luò)，為后續(xù)判斷投資機(jī)會(huì)和持倉股票風(fēng)險(xiǎn)等研判類應(yīng)用提供數(shù)據(jù)支撐。
知識(shí)圖譜應(yīng)用——司法領(lǐng)域
知識(shí)圖譜是“智慧司法”建設(shè)的基礎(chǔ)工程
司法領(lǐng)域是以公檢法等國家司法機(jī)關(guān)及司法人員依照法定職權(quán)和法定程序，運(yùn)用法律處理案件的專業(yè)領(lǐng)域。近年，司法領(lǐng)域積極運(yùn)用大數(shù)據(jù)、云計(jì)算、人工智能等先進(jìn)技術(shù)，深入業(yè)務(wù)場景解決痛點(diǎn)問題，有效提升辦案質(zhì)效、輔助司法管理、服務(wù)群眾訴訟，加速推進(jìn)司法智慧化、數(shù)字化、現(xiàn)代化轉(zhuǎn)型升級(jí)。知識(shí)圖譜的構(gòu)建是實(shí)現(xiàn)智慧司法不可或缺的基礎(chǔ)工程。司法知識(shí)圖譜將法律領(lǐng)域中的實(shí)體、屬性和關(guān)系進(jìn)行體系化梳理，并建立邏輯關(guān)聯(lián)，通過知識(shí)圖譜和大數(shù)據(jù)技術(shù)進(jìn)行數(shù)據(jù)挖掘，輔助決策，洞察知識(shí)領(lǐng)域動(dòng)態(tài)發(fā)展規(guī)律?；谒痉ㄖR(shí)圖譜，通過技術(shù)手段可實(shí)現(xiàn)司法業(yè)務(wù)場景的智能應(yīng)用，解決“案多人少”“同案不同判”等現(xiàn)實(shí)問題。目前，司法知識(shí)圖譜已廣泛運(yùn)用于法律知識(shí)檢索和推送、文書自動(dòng)生成、裁判結(jié)果預(yù)測預(yù)警、知識(shí)智能問答、數(shù)據(jù)可視化等方面，為司法人員辦案提供高效參考和科學(xué)依據(jù)，全新定義司法數(shù)據(jù)應(yīng)用和司法智能化，凝練司法智慧，服務(wù)法治建設(shè)。
知識(shí)圖譜應(yīng)用——油氣領(lǐng)域
知識(shí)圖譜應(yīng)用為油氣勘探開發(fā)和安全環(huán)保生產(chǎn)提供決策輔助
目前，我國境內(nèi)已探知的石油資源質(zhì)量不高且產(chǎn)能有限，以至70%原油需求有賴于進(jìn)口，加之國際原油價(jià)格持續(xù)走低，開采成本又很難攤薄，我國油氣行業(yè)面臨著生產(chǎn)效率與成本帶來的巨大壓力和挑戰(zhàn)。在油氣領(lǐng)域中，生產(chǎn)環(huán)節(jié)主要包括產(chǎn)業(yè)鏈上游的油氣勘探、開發(fā)生產(chǎn)和中游的油氣儲(chǔ)運(yùn)、煉制與加工，存在的痛點(diǎn)是上游如何將鉆探數(shù)據(jù)、地質(zhì)數(shù)據(jù)等“地下信息”與地面工程執(zhí)行高效結(jié)合，從而準(zhǔn)確探明更有開發(fā)價(jià)值的油井；中游如何利用大量自動(dòng)化設(shè)備和傳感器產(chǎn)生的數(shù)據(jù)進(jìn)行高效的安全生產(chǎn)，以及節(jié)能環(huán)保問題。知識(shí)圖譜憑借對(duì)多源異構(gòu)數(shù)據(jù)關(guān)聯(lián)性挖掘和知識(shí)體系信息化搭建等能力，在數(shù)字化程度較高、數(shù)據(jù)類型復(fù)雜的油氣領(lǐng)域搭建認(rèn)知網(wǎng)絡(luò)，將領(lǐng)域知識(shí)與實(shí)時(shí)數(shù)據(jù)有機(jī)結(jié)合，為油氣勘探、開發(fā)生產(chǎn)、綜合研究、生產(chǎn)管理提供智能化分析手段，幫助決策者從海量的數(shù)據(jù)中洞悉規(guī)律，來提升效率和管理水平。
知識(shí)圖譜應(yīng)用——教育領(lǐng)域
搭建知識(shí)圖譜是AI技術(shù)落地教育領(lǐng)域核心環(huán)節(jié)的關(guān)鍵前提
當(dāng)前的教育場景可以劃分為教、管、學(xué)、考，主要圍繞教育者和受教育者進(jìn)行授課、答疑、閱卷和學(xué)習(xí)、練習(xí)、考試等活動(dòng)，本質(zhì)上是通過系統(tǒng)化的知識(shí)傳授與強(qiáng)化練習(xí)，使受教育者掌握知識(shí)點(diǎn)的過程。傳統(tǒng)教育模式以教師集中授課為主要方式，存在著特級(jí)教師資源少、優(yōu)質(zhì)教學(xué)資源分配不佳、教學(xué)內(nèi)容和教學(xué)節(jié)奏制式化，以及作業(yè)練習(xí)布置缺乏個(gè)性化等問題。在教育信息化和線上教育發(fā)展普及之后，AI+教育的概念隨之產(chǎn)生，人工智能公司和教育機(jī)構(gòu)希望通過利用AI技術(shù)部分解決上述痛點(diǎn)，以達(dá)到對(duì)教育參與者減負(fù)增效的目的，但因?yàn)榻逃I(lǐng)域參與個(gè)體眾多，采集到的數(shù)據(jù)駁雜且零碎，難以直接有效應(yīng)用，所以目前AI技術(shù)更多應(yīng)用在如拍照搜題、口語評(píng)測、課堂監(jiān)控等外圍需求的工具上面，并未能有效深入到教學(xué)場景中。而類似課題推送等應(yīng)用更多是將教學(xué)資源再分配，重視知識(shí)的點(diǎn)狀強(qiáng)化練習(xí)，卻不深究知識(shí)的掌握程度，以至實(shí)際使用者反饋平平。人工智能技術(shù)真正產(chǎn)生生產(chǎn)價(jià)值，一定要建立在充分且必要的數(shù)據(jù)基礎(chǔ)上，搭建貫穿教材知識(shí)體系、教學(xué)資源管理和受教育者學(xué)習(xí)軌跡的知識(shí)圖譜，將教與學(xué)的全過程進(jìn)行可視化展現(xiàn)，使靜態(tài)知識(shí)點(diǎn)數(shù)據(jù)與動(dòng)態(tài)教學(xué)活動(dòng)（如考試、作業(yè)等）數(shù)據(jù)產(chǎn)生關(guān)聯(lián)，為算法應(yīng)用提供支撐環(huán)境，是AI+教育能落地到產(chǎn)業(yè)核心的關(guān)鍵前提。
聯(lián)系客服
