通往决策智能的道路很宽，AI、因果推断、求解器等任一方面的突破，都可以完成从辅助决策到决策智能的转变。但一切回归到数据这一源头，其核心要点似乎都是“如何在各种来源的数据中，洞察到背后的逻辑”，只要成功回答这一问题，在决策中需要考虑的要素有哪些、要素关系是怎样的，它们之间存在什么样的模型等问题也就迎刃而解。

知识图谱的创建恰好可以提供一个可行的解决思路，通过实体间的关系和网状的知识结构，提取其固有的逻辑关系，发现新的洞察，做出决策。

01

什么是知识图谱？

知识图谱（Knowledge Graph，KG）是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。它的基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性值对，实体间通过关系相互联结，构成网状的知识结构。

实体指的可以是现实世界中的事物，比如人、地名、公司、电话、动物等；关系则用来表达不同实体之间的某种联系。比如，“知识图谱-属于-认知科学”即基本的三元组，同时，每个实体还存在一些属性，比如认知科学的概念内涵、人物和观点等。

知识图谱在数据管理方面有着重要地应用，比如在创建元数据中心时，可以同时记录数据的来源、转换和清理的方式，如此便可确定数据的生产者和消费者。与传统的基于线性的建模相反，知识图谱允许将数据组织到框架中以进行集成，并确保开发人员和用户之间的理解。另外，由于数据中固有的所有关系都被记录和存储，因此知识图谱构成了现代数据和分析的基础。

国内做知识图谱的企业有达观数据、渊亭科技等。达观数据推出了达观知识图谱，整合了知识建模、知识抽取、知识融合、知识存储和图谱应用全流程。渊亭科技的核心产品则是DataExa-Sati认知智能平台，该平台采用分布式服务架构和自研的分布式图计算引擎，实现行业级的知识图谱构建和分析。

02

知识图谱与决策智能

目前，最常见的应用场景是使用知识图谱丰富百度搜索结果。比如疫情期间，搜索附近的核酸监测时，系统可以自动推送地址、营业时间、联系方式、以及近期到访人员核实的信息等。而将来自异构企业源的数据汇集在一起，并创建该数据的统一视图是知识图谱的一种流行应用。

随之机器学习与知识图谱的结合，知识图谱正在从认知层面向决策层面深入。尽管早前已有在决策方面的 应用案例，但在AI、机器学习等技术的结合下，知识图谱在支持决策层面的能力也将变得更加可信。

知识图谱可以用于决策主要与其存在的本质有关，因为知识图谱不仅仅是一组“知识”，它还是一个包含无穷无尽的丰富且互动的网络，它可以从现有数据中产生全新洞察。这是因为知识图谱可以通过将数据集放在一起来创造新知识，否则这些数据集永远不会彼此靠近。

常规定义中，用于分析、机器学习或数据科学的知识图谱被称为决策知识图，其最终目的是改进人类或软件代理做出的决策。决策知识图必须支持从简单查询到机器学习的分析和数据科学工作流程，并提供图形可视化。首先，他能够支持大规模回答图谱中的任何问题，依据图算法，可以数据中存在的模式。比如使用决策知识图谱为集装箱船舶执行复杂的航线规划，利用寻路算法，可以一秒以内的时间规划处海上的航线。

国内的渊亭科技也在DataExa-Sati认知智能平台的基础上，沉淀出了决策中台，「渊亭科技」创始人兼 CEO 洪万福认为，认知中台的技术逻辑基于符号主义，解决的是 AI 对现实世界表征的刻画，而决策中台是联结主义的产物，专注于更高层次的数据识别推理与决策管理，两大中台并存贯通，能更好地推进人工智能技术的发展。