認知計算，是人工智能的一個前沿分支領域。目標是讓計算機具備和人類一樣的思考和推理決策能力，說的通俗一點就是打造一個機器大腦。不同于AlphaGo只是在棋譜和下棋上具備專家智能，認知計算技術(shù)可以讓計算機在更廣泛的領域，學習人類知識，了解人類語言，幫助人類決策。而知識圖譜則是讓計算機表示知識、學習知識和進行知識推理的關(guān)鍵。
為企業(yè)提供各種服務，是認知計算和知識圖譜技術(shù)，在成千上萬的企業(yè)從信息化到數(shù)字化、再到智能化、最終到智慧化的漫長轉(zhuǎn)型過程中，可以大展宏圖的領域。企業(yè)的人、事、財、產(chǎn)、學、研等多個方面，都急需現(xiàn)代化的人工智能技術(shù)來提高產(chǎn)出、降低成本和優(yōu)化效率，而在當前階段，大多數(shù)企業(yè)僅完成了基本的信息化改造。
知識圖譜在下面一些典型的企業(yè)服務場景可以產(chǎn)生超出預期的效果：
營銷決策：當企業(yè)生產(chǎn)和銷售的商品有著復雜的流通環(huán)節(jié)，例如通過成千上萬家多級經(jīng)銷批發(fā)商賣到數(shù)以百萬家的終端客戶時，自動的匯總銷售流向數(shù)據(jù)，以進行營銷決策，存在較大的技術(shù)難題，因為這些數(shù)據(jù)中有超過40%是非標準數(shù)據(jù)，以往需要大量人工核對，費時耗力。另外，進行營銷決策往往還需要對比競品數(shù)據(jù)、分析消費者數(shù)據(jù)，對這些海量的非結(jié)構(gòu)化數(shù)據(jù)針對業(yè)務需求進行細粒度的分析挖掘，該角色更是非知識圖譜技術(shù)莫屬。
供應鏈優(yōu)化：企業(yè)生產(chǎn)商品的過程中通常要采購各種不同的原材料、輔料和半成品等，如何集中采購，如何找到物美價廉的供應商，如何及時了解供應商的情況，都依賴于以知識圖譜技術(shù)為基礎的非標準和非結(jié)構(gòu)化數(shù)據(jù)分析技術(shù)。例如，自動的搜集和比對每一種原料輔料在各個電商和渠道中的價格和銷量，自動的搜集和比對招投標文檔找到行業(yè)中某款產(chǎn)品服務中標最多或價格最優(yōu)的供應商，甚至于將不同工廠不同ERP中的原料輔料類別體系合并以進行集中采購。
客戶服務：無論是在售前尋找和篩選潛在客戶,還是在售中與有意向的客戶進行交談,還是在售后對客戶態(tài)度進行分析統(tǒng)計,都可以基于人工智能理解客戶的意圖,這需要根據(jù)業(yè)務場景的需求,制定與品牌和產(chǎn)品屬性相關(guān)的知識圖譜,來進行細粒度的語義分析。例如,搜集各大社交論壇中的用戶帖子,尋找對己方產(chǎn)品有潛在購買意愿的客戶言語,并記錄客戶ID;將客服呼叫中心中的電話錄音,或者門店內(nèi)的店員錄音,進行深層語義分析,檢查業(yè)務員是否按照培訓去推銷,或檢查客戶的需求是否得到滿足。
產(chǎn)品研發(fā)：在產(chǎn)品的研發(fā)中,通常需要閱讀海量的專利文獻、用戶檔案、用戶評價、產(chǎn)品說明手冊等文檔,并針對其中的知識點進行查找、分析和統(tǒng)計?；谥R圖譜技術(shù),可以很好的實現(xiàn)這一點。例如在研發(fā)新藥的過程中,借助于知識圖譜,可以定義和抽取成千上萬份病歷的病人信息、用藥史、服藥效果、癥狀等上百知識點,并進行對比分析統(tǒng)計,開展新藥研發(fā);在研發(fā)新的保健產(chǎn)品的過程中,可以針對互聯(lián)網(wǎng)用戶的聲音進行分析統(tǒng)計,得到細分用戶群體對每一個產(chǎn)品功能維度的態(tài)度,幫助開展C2M。
財務法務：在企業(yè)的財務、稅務和法務等相關(guān)環(huán)節(jié),由于涉及到大量專業(yè)文檔的處理,并對處理精度有著極高的要求,知識圖譜和認知計算能發(fā)揮重要的作用。例如,快速的比對客戶返回的合同與己方合同模版的差異,并強調(diào)重要的改動之處;對銷售數(shù)據(jù)快速統(tǒng)計,并與進銷存系統(tǒng)數(shù)字核對,計算給渠道代理商的返點,以做到及時返點;根據(jù)業(yè)務合同的內(nèi)容,快速在財務系統(tǒng)中創(chuàng)建一條相應的財務記錄,自動填寫相關(guān)的名目并附上證據(jù);自動搜集政府政策文件查找符合企業(yè)的稅收和扶持政策。
從上世紀九十年代到現(xiàn)在,將近三十年的時間里,無數(shù)的優(yōu)秀公司在企業(yè)信息化和數(shù)字化進程中,提供了大量的軟件產(chǎn)品和解決方案。為什么上面這些典型應用需求一直到今天都沒有很好的解決,
對非標準數(shù)據(jù)的處理存在較高的技術(shù)難度:傳統(tǒng)的產(chǎn)品和方案聚焦于對企業(yè)內(nèi)部單一系統(tǒng)的數(shù)據(jù)進行處理,它們通常存在一定的標準,而且大部分的系統(tǒng)都限定企業(yè)內(nèi)部的某一類人員來使用系統(tǒng),并在使用前開展充分的培訓, 因此,用它們來完成信息化是沒有問題的。
對非結(jié)構(gòu)化數(shù)據(jù)的處理存在較高的技術(shù)難度:
隨著深度學習計算的飛速發(fā)展, 它們與知識圖譜不斷融合,可以幫助企業(yè)解決以上技術(shù)困難,并在上述典型的應用場景中發(fā)揮重要作用。
是采取分詞等傳統(tǒng)方式還是采取知識圖譜來處理文本:
是否解決了知識建模的冷啟動問題:
是否過多強調(diào)知識存儲而非知識抽取與推理:不少大數(shù)據(jù)和人工智能解決方案,都是基于開源的軟件系統(tǒng)打造出的, 它們僅具備對知識進行存儲的能力,而不具備對知識進行學習和開展推理的核心能力。
是否提供了一種可解釋的人工智能:
