0
| 本文作者： 王金旺 | 2019-09-28 09:42 |
工業(yè)互聯(lián)網(wǎng)中，數(shù)字孿生講了這么久，是時候講講與數(shù)字孿生強關聯(lián)的知識圖譜了。
于是，2019年，知識圖譜成為工業(yè)互聯(lián)網(wǎng)領域中的香饃饃。
工業(yè)互聯(lián)網(wǎng)中的這塊香饃饃漸漸浮現(xiàn)。
工業(yè)知識圖譜要具備哪些能力？
企業(yè)如何構建自己的知識圖譜？
制造業(yè)企業(yè)如何應用知識圖譜？
就這三個問題，雷鋒網(wǎng)在今年的杭州云棲大會上，找到了阿里給出的答案。
知識圖譜對于互聯(lián)網(wǎng)企業(yè)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(jīng)在應用知識圖譜。
互聯(lián)網(wǎng)應用中的知識圖譜是通過自下而上的方式構建的，通過業(yè)務數(shù)據(jù)的沉淀，大數(shù)據(jù)的積累，以一個持續(xù)構建、持續(xù)優(yōu)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(yè)領域并不適用。
由于工業(yè)中包括檢修、預測等要求高精準的應用，專業(yè)領域特定場景應用數(shù)據(jù)量小，決定了工業(yè)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(shù)據(jù)。
在杭州云棲大會上， 阿里云智能高級解決方案架構師劉志龍介紹稱。
工業(yè)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(yè)場景中的本體設計。工業(yè)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(yè)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(yè)人員、設備，包括輔助設備如何智能修復，輔助工作人員作業(yè)、檢修、工廠盤點時解決具體問題。
劉志龍解釋稱，“在工業(yè)領域中的知識圖譜，關鍵點不是剛開始數(shù)據(jù)量有多大，而是找到場景的本體，構建數(shù)據(jù)抽取方式，從而構建知識圖譜體系，更關鍵的是如何讓一線工作人員將這套產(chǎn)品應用起來?！?/p>
基于這樣的理解，阿里構建了自己的工業(yè)知識圖譜產(chǎn)品矩陣。
從圖中可以看到，阿里這套產(chǎn)品體系有以下幾個關鍵點：
阿里構建的工業(yè)知識圖譜底層部署支持公有云、私有云、非云化部署；
知識沉淀過程中會沉淀兩大內容，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(guī)則模板資源庫；
圖譜管理、信息抽取分別配備了前臺和后臺，后臺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，前臺配備了圖譜可視化、圖譜拖拽、導入審核、規(guī)則配置、打標工具、規(guī)則審核等數(shù)據(jù)標注能力；
阿里在數(shù)據(jù)標注上的特點是半自動化標注，即在數(shù)據(jù)達到一定量時，可以自動進行數(shù)據(jù)標注。
上層場景定義中，阿里與行業(yè)合作伙伴進行了諸如設備故障診斷、行業(yè)標準智能問答、設備信息查詢助手等能力。
劉志龍也特別提到，“這些事情阿里不是只是自己在做，就業(yè)務角度而言，我們對業(yè)務的了解不如我們的生態(tài)企業(yè)、產(chǎn)業(yè)公司理解得更深入。”
既然官方也指出，工業(yè)知識圖譜自上而下的構建思路與互聯(lián)網(wǎng)領域知識圖譜的構建不同，作為脫胎于互聯(lián)網(wǎng)時代的巨頭企業(yè)，阿里又對制造業(yè)產(chǎn)業(yè)了解并不深入。
那么，阿里如何進行工業(yè)知識圖譜的構建呢？
阿里云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：
底層是制造業(yè)企業(yè)中諸如設備、業(yè)務系統(tǒng)、人工經(jīng)驗、技術文檔等各類數(shù)據(jù)源，這些數(shù)據(jù)源中的知識（高價值數(shù)據(jù)）通過圖像識別、AI算法等相關工具抽取出來，并向上匯聚；
中間層是數(shù)據(jù)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，并最終將專業(yè)知識、業(yè)務知識、運營知識等抽取出知識本體，以知識本體為框架，并通過規(guī)則引擎進行大數(shù)據(jù)的推理/挖掘，結合通用知識圖譜，構建起領域知識圖譜；
這一層也是阿里通過AI技術重點構建的部分，阿里為此打造了三個“底座引擎”，包括數(shù)據(jù)工廠、算法工廠、AI創(chuàng)作間，主要解決工業(yè)數(shù)據(jù)預處理與存儲、匯聚生產(chǎn)、智能應用三方面的能力。
工業(yè)知識圖譜的是為了企業(yè)數(shù)字化轉型，為了企業(yè)或工廠實際應用而構建。因而，企業(yè)要首先發(fā)現(xiàn)自己現(xiàn)有業(yè)務問題，然后才是去考慮有什么新技術可以解決這樣的問題。
現(xiàn)在的企業(yè)這方面做的還不好。
古世相在大會上表示?！昂芏鄠鹘y(tǒng)企業(yè)現(xiàn)在還是技術驅動，而其實，如何做需求驅動、業(yè)務驅動才是現(xiàn)在需要考慮的問題?！?/p>
知識圖譜的應用也是如此。
前文提到的工業(yè)知識圖譜構建中，最上一層是阿里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(shù)據(jù)處理、智能分析與決策、復雜關系挖掘推理。
以電力應用場景為例，
在制造業(yè)企業(yè)設備運維場景中，電力領域中最核心的資源是老專家，老專家積累了大量一線行業(yè)知識，將老專家的經(jīng)驗搬到線上，把老專家沉淀的非結構化知識數(shù)據(jù)以知識圖譜串聯(lián)起來，當某一類問題出現(xiàn)和發(fā)生的時候，新員工或對專業(yè)知識不熟的人就可以通過這樣的知識圖譜快速解決問題。
在故障檢修應用場景中，老專家、老師傅將經(jīng)驗和案例沉淀成文檔，阿里將這些知識搬到線上，構建了相應的知識圖譜，實現(xiàn)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，包括什么時間發(fā)生的類似故障，解決方案是什么，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(xiàn)場巡檢、在線監(jiān)測、監(jiān)控中心人工監(jiān)測進行故障信息錄入，這些錄入的故障信息在AI決策工作臺做故障判斷，此前構建的知識圖譜體系（包括案例和規(guī)則）都沉淀在AI決策中臺，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(xiàn)場檢修人員解決，甚至直接下發(fā)指令到設備，自動解決相關問題。
知識圖譜從互聯(lián)網(wǎng)領域遷移到工業(yè)互聯(lián)網(wǎng)領域，由于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(yè)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(chǎn)信息的數(shù)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(jīng)驗數(shù)字化，并構建相應的知識圖譜；另一類則是將設備信息、設備及數(shù)字化系統(tǒng)工作過程信息，甚至整個生產(chǎn)流程部分或全部數(shù)字化，并將其中不同垂直領域的數(shù)據(jù)關聯(lián)起來，構建相應的知識圖譜。
后者也正是當下數(shù)字孿生的概念。
由此也可見，智能制造、工業(yè)互聯(lián)網(wǎng)，最終要實現(xiàn)的企業(yè)數(shù)字化轉型、智能化轉型關鍵仍是將企業(yè)中各類設備、系統(tǒng)、數(shù)據(jù)打通，以數(shù)據(jù)驅動當下企業(yè)轉型升級。
在這個過程中，知識圖譜、數(shù)字孿生等中間概念或技術形態(tài)都將在數(shù)據(jù)驅動下持續(xù)迭代，逐漸覆蓋全流程、全生產(chǎn)要素，形成下一個時代制造業(yè)工廠的新形態(tài)。雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
