工業互聯網中，數字孿生講了這麼久
，是時候講講與數字孿生強關聯的知識圖譜了。

於是，2019年，知識圖譜成為工業互聯網領域中的香饃饃。

工業互聯網中的這塊香饃饃漸漸浮現。

gongyezhishitupuyaojubeinaxienengli？qiyeruhegoujianzijidezhishitupu？zhizaoyeqiyeruheyingyongzhishitupu？jiuzhesangewenti，leifengwangzaijinniandehangzhouyunqidahuishang，zhaodaoleeligeichudedaan。

需要具備啥能力？

知識圖譜對於互聯網企業來說，其實不是一個新概念
，包括百度的搜索引擎
，淘寶的推薦引擎都已經在應用知識圖譜。

互聯網應用中的知識圖譜是通過自下而上的方式構建的
，通過業務數據的沉澱
，大數據的積累，以一個持續構建、持續優化的過程逐漸構建起知識圖譜。

然而，這樣的構建方式在工業領域並不適用。

由於工業中包括檢修、預測等要求高精準的應用，專業領域特定場景應用數據量小，決定了工業知識圖譜的構建將是自上而下的一個過程——定義應用場景

、定義問題、找到相應數據。

在杭州雲棲大會上， 阿裏雲智能高級解決方案架構師劉誌龍介紹稱。

工業知識圖譜需要具備怎樣的能力？

知識構建能力、知識抽取能力
、知識輔助能力。

具體而言，包括：

知識構建能力，指工業場景中的本體設計。工業領域中做知識圖譜需要先設計本體，定義一個場景
，需要定義知識本體，以及業務本體。

知識抽取能力。通過機器學習、深度學習
、算法引擎等技術手段來進行知識抽取。

知識輔助能力。可以是智能搜索、輔助推薦等能力
，一線作業人員、設備，包括輔助設備如何智能修複，輔助工作人員作業
、檢修、工廠盤點時解決具體問題。

劉誌龍解釋稱，“在zai工gong業ye領ling域yu中zhong的de知zhi識shi圖tu譜pu，關guan鍵jian點dian不bu是shi剛gang開kai始shi數shu據ju量liang有you多duo大da，而er是shi找zhao到dao場chang景jing的de本ben體ti
，構gou建jian數shu據ju抽chou取qu方fang式shi，從cong而er構gou建jian知zhi識shi圖tu譜pu體ti係xi，更geng關guan鍵jian的de是shi如ru何he讓rang一yi線xian工gong作zuo人ren員yuan將jiang這zhe套tao產chan品pin應ying用yong起qi來lai。”

基於這樣的理解，阿裏構建了自己的工業知識圖譜產品矩陣。

從圖中可以看到
，阿裏這套產品體係有以下幾個關鍵點：

阿裏構建的工業知識圖譜底層部署支持公有雲、私有雲、非雲化部署；知識沉澱過程中會沉澱兩大內容
，包括針對設備本體、故障圖譜、案例圖譜形成的知識庫，以及針對同義詞語、語料庫、規則模板資源庫；圖譜管理、信息抽取分別配備了前台和後台，後台配備了諸如本體構建器、圖查詢引擎、事件抽取、知識推理等算法引擎，前台配備了圖譜可視化
、圖譜拖拽、導入審核
、規則配置
、打標工具、規則審核等數據標注能力；阿裏在數據標注上的特點是半自動化標注，即在數據達到一定量時
，可以自動進行數據標注。

上層場景定義中，阿裏與行業合作夥伴進行了諸如設備故障診斷、行業標準智能問答
、設備信息查詢助手等能力。劉誌龍也特別提到，“這些事情阿裏不是隻是自己在做，就業務角度而言，我們對業務的了解不如我們的生態企業、產業公司理解得更深入。”

知識圖譜怎麼建？

既(ji)然(ran)官(guan)方(fang)也(ye)指(zhi)出(chu)，工(gong)業(ye)知(zhi)識(shi)圖(tu)譜(pu)自(zi)上(shang)而(er)下(xia)的(de)構(gou)建(jian)思(si)路(lu)與(yu)互(hu)聯(lian)網(wang)領(ling)域(yu)知(zhi)識(shi)圖(tu)譜(pu)的(de)構(gou)建(jian)不(bu)同(tong)
，作(zuo)為(wei)脫(tuo)胎(tai)於(yu)互(hu)聯(lian)網(wang)時(shi)代(dai)的(de)巨(ju)頭(tou)企(qi)業(ye)
，阿(e)裏(li)又(you)對(dui)製(zhi)造(zao)業(ye)產(chan)業(ye)了(le)解(jie)並(bing)不(bu)深(shen)入(ru)。

那麼
，阿裏如何進行工業知識圖譜的構建呢？

阿裏雲智能解決方案架構師古世相用一張架構圖給出了這個答案。

從這張圖中可以看到，整體架構分為三層：

底層是製造業企業中諸如設備、業務係統
、人工經驗、技術文檔等各類數據源，這些數據源中的知識（高價值數據）通過圖像識別
、AI算法等相關工具抽取出來，並向上彙聚
；中間層是數據抽取形成知識圖譜的過程，其中應用到了此前提到的各類算法引擎
，並最終將專業知識


、業務知識、運營知識等抽取出知識本體
，以知識本體為框架，並通過規則引擎進行大數據的推理/挖掘，結合通用知識圖譜
，構建起領域知識圖譜
；這一層也是阿裏通過AI技術重點構建的部分
，阿裏為此打造了三個“底座引擎”，包括數據工廠、算法工廠、AI創作間，主要解決工業數據預處理與存儲、彙聚生產、智能應用三方麵的能力。

知識圖譜怎麼用
？

工(gong)業(ye)知(zhi)識(shi)圖(tu)譜(pu)的(de)是(shi)為(wei)了(le)企(qi)業(ye)數(shu)字(zi)化(hua)轉(zhuan)型(xing)
，為(wei)了(le)企(qi)業(ye)或(huo)工(gong)廠(chang)實(shi)際(ji)應(ying)用(yong)而(er)構(gou)建(jian)。因(yin)而(er)，企(qi)業(ye)要(yao)首(shou)先(xian)發(fa)現(xian)自(zi)己(ji)現(xian)有(you)業(ye)務(wu)問(wen)題(ti)

，然(ran)後(hou)才(cai)是(shi)去(qu)考(kao)慮(lv)有(you)什(shen)麼(me)新(xin)技(ji)術(shu)可(ke)以(yi)解(jie)決(jue)這(zhe)樣(yang)的(de)問(wen)題(ti)。

現在的企業這方麵做的還不好。

古世相在大會上表示。“很多傳統企業現在還是技術驅動，而其實，如何做需求驅動
、業務驅動才是現在需要考慮的問題。”

知識圖譜的應用也是如此。

前文提到的工業知識圖譜構建中，最上一層是阿裏針對具體應用場景構架的四項能力，包括智能搜索與交互問答、精準數據處理、智能分析與決策、複雜關係挖掘推理。

以電力應用場景為例，在(zai)製(zhi)造(zao)業(ye)企(qi)業(ye)設(she)備(bei)運(yun)維(wei)場(chang)景(jing)中(zhong)，電(dian)力(li)領(ling)域(yu)中(zhong)最(zui)核(he)心(xin)的(de)資(zi)源(yuan)是(shi)老(lao)專(zhuan)家(jia)
，老(lao)專(zhuan)家(jia)積(ji)累(lei)了(le)大(da)量(liang)一(yi)線(xian)行(xing)業(ye)知(zhi)識(shi)，將(jiang)老(lao)專(zhuan)家(jia)的(de)經(jing)驗(yan)搬(ban)到(dao)線(xian)上(shang)，把(ba)老(lao)專(zhuan)家(jia)沉(chen)澱(dian)的(de)非(fei)結(jie)構(gou)化(hua)知(zhi)識(shi)數(shu)據(ju)以(yi)知(zhi)識(shi)圖(tu)譜(pu)串(chuan)聯(lian)起(qi)來(lai)，當(dang)某(mou)一(yi)類(lei)問(wen)題(ti)出(chu)現(xian)和(he)發(fa)生(sheng)的(de)時(shi)候(hou)，新(xin)員(yuan)工(gong)或(huo)對(dui)專(zhuan)業(ye)知(zhi)識(shi)不(bu)熟(shu)的(de)人(ren)就(jiu)可(ke)以(yi)通(tong)過(guo)這(zhe)樣(yang)的(de)知(zhi)識(shi)圖(tu)譜(pu)快(kuai)速(su)解(jie)決(jue)問(wen)題(ti)。

在故障檢修應用場景中，老專家、老師傅將經驗和案例沉澱成文檔，阿裏將這些知識搬到線上，構建了相應的知識圖譜，實現了在線分享。檢修人員可以通過手機APP在知識圖譜上可以查詢相關信息，包括什麼時間發生的類似故障
，解決方案是什麼，甚至可以檢索到成功解決這一問題的老師傅是誰。

具體可以通過現場巡檢、在線監測、監控中心人工監測進行故障信息錄入，這些錄入的故障信息在AI決策工作台做故障判斷，此前構建的知識圖譜體係（包括案例和規則）都沉澱在AI決策中台，與此同時

，還會通過試驗人員對故障問題進行試驗

、測試，最終通過輔助決策，通過現場檢修人員解決，甚至直接下發指令到設備
，自動解決相關問題。

知識圖譜的進化之路

知識圖譜從互聯網領域遷移到工業互聯網領域，由於兩大領域場景差異較大，自下而上的知識圖譜構建思路也轉向自上而下。

就工業領域中構建的知識圖譜來看
，可以分為兩類
，一類是已有設備信息、生產信息的數字化知識圖譜
，諸如將設備維護手冊、故障應用案例、一線專家經驗數字化，並構建相應的知識圖譜
；另一類則是將設備信息、設she備bei及ji數shu字zi化hua係xi統tong工gong作zuo過guo程cheng信xin息xi，甚shen至zhi整zheng個ge生sheng產chan流liu程cheng部bu分fen或huo全quan部bu數shu字zi化hua，並bing將jiang其qi中zhong不bu同tong垂chui直zhi領ling域yu的de數shu據ju關guan聯lian起qi來lai
，構gou建jian相xiang應ying的de知zhi識shi圖tu譜pu。

後者也正是當下數字孿生的概念。

由此也可見，智能製造、工業互聯網，最終要實現的企業數字化轉型、智能化轉型關鍵仍是將企業中各類設備、係統、數據打通，以數據驅動當下企業轉型升級。

在這個過程中，知識圖譜
、數字孿生等中間概念或技術形態都將在數據驅動下持續迭代，逐漸覆蓋全流程、全生產要素，形成下一個時代製造業工廠的新形態。

本文轉自雷鋒網，原文鏈接：https://www.leiphone.com/news/201909/7s6N2JwfWJINeYPj.html
，如需轉載請至雷鋒網官網申請授權