如今的數(shù)據(jù)領(lǐng)導(dǎo)者如同走鋼絲。一方面，他們面臨著現(xiàn)代化、創(chuàng)新和跟上未來發(fā)展的壓力。想想看，技術(shù)的發(fā)展速度遠超我們的預(yù)期。2024 年初的工作方式與我們現(xiàn)在的工作方式截然不同：從代碼和業(yè)務(wù)到日常瀏覽。而且，這種轉(zhuǎn)變不會放緩，技術(shù)本身更是如此。

另一方面，遺留系統(tǒng)、碎片化平臺以及各團隊競相將舊系統(tǒng)和流程與新世界相匹配等瓶頸問題也存在。

需求曲線越來越陡峭：更快的洞察、更深的互聯(lián)互通，以及刻不容緩的決策。延遲的余地正在縮小。人們對清晰度的期望很高。然而，就數(shù)據(jù)而言，情況并非“越多越好”。事實上，數(shù)據(jù)越多，往往越混亂！

我們需要找到與節(jié)拍相匹配的關(guān)鍵點

傳統(tǒng)數(shù)據(jù)庫就像預(yù)先定義的地圖，而圖數(shù)據(jù)庫則是動態(tài)網(wǎng)絡(luò)，會隨著數(shù)據(jù)和問題的變化而增長和調(diào)整。因此，在當(dāng)今動態(tài)的數(shù)據(jù)格局中，對更靈活、更全面的數(shù)據(jù)模型的需求日益迫切。

進入圖形數(shù)據(jù)庫！

什么是圖形數(shù)據(jù)庫

圖形數(shù)據(jù)庫是指以節(jié)點、邊、關(guān)系和屬性的形式存儲和利用數(shù)據(jù)的集合或數(shù)據(jù)庫，而不是傳統(tǒng)的表格或文檔格式。

由于其管理數(shù)據(jù)內(nèi)關(guān)系的整體特性，它們可以單獨解決數(shù)據(jù)抽象和捕獲多維數(shù)據(jù)關(guān)系的挑戰(zhàn)。

簡單地將圖數(shù)據(jù)庫想象成一個電商平臺，其中產(chǎn)品、客戶和評論都是獨立的節(jié)點。每種關(guān)系都存儲為直接連接，例如客戶購買產(chǎn)品、評論產(chǎn)品，或者經(jīng)常一起購買的產(chǎn)品。

圖形數(shù)據(jù)庫中的元素

這意味著您可以輕松回答諸如“購買了 X 的顧客接下來會購買哪些產(chǎn)品？ ”之類的問題。無需依賴跨多個表的復(fù)雜連接操作即可完成此操作。這種直接的關(guān)系表示方式可以更輕松地檢測購買模式并改進推薦，從而提供更加個性化的購物體驗。

圖形數(shù)據(jù)庫為何如此流行：對未解決的領(lǐng)域產(chǎn)生持久影響

各個垂直行業(yè)的建筑師、設(shè)計師或工程師等數(shù)據(jù)人物在搜索適合并能滿足目標(biāo)的數(shù)據(jù)時，面臨著傳統(tǒng)關(guān)系數(shù)據(jù)庫的挑戰(zhàn)。

想象一下，您正在閱讀一份包含多個個人數(shù)據(jù)點的文檔：身高、體重和職業(yè)。對于像追蹤身體指標(biāo)這樣的用例，您可以創(chuàng)建一個僅存儲身高和體重的表，而忽略職業(yè)等其他數(shù)據(jù)，因為這些數(shù)據(jù)并非必需。

在關(guān)系數(shù)據(jù)庫中，這種抽象是僵化的、預(yù)定義的。模式僅支持身高和體重列；職業(yè)列在處理過程中會丟失。如果以后你想分析某人的職業(yè)與其健康狀況之間的關(guān)系，關(guān)系數(shù)據(jù)庫無法提供該上下文。

您必須返回原始文檔，提取數(shù)據(jù)，并可能重新設(shè)計架構(gòu)以適應(yīng)這種新的關(guān)系。在這里，我們將問題歸結(jié)為兩大類。

數(shù)據(jù)抽象問題

傳統(tǒng)的關(guān)系數(shù)據(jù)庫會強制你將數(shù)據(jù)放入預(yù)定義的表中。這里發(fā)生的事情是：

您丟棄了不符合初始模式的有價值的上下文和關(guān)系。

這些數(shù)據(jù)庫通常需要固定的模式，當(dāng)出現(xiàn)新的數(shù)據(jù)關(guān)系時，很難進行調(diào)整。問題是什么？更新模式既耗時又容易出錯。

捕捉復(fù)雜、多維關(guān)系的問題

關(guān)系數(shù)據(jù)庫在處理具有多對多關(guān)系或復(fù)雜、相互關(guān)聯(lián)的實體（例如，社交網(wǎng)絡(luò)、推薦系統(tǒng)、供應(yīng)鏈關(guān)系）的數(shù)據(jù)時效率低下。

查詢變得緩慢而復(fù)雜，使得發(fā)現(xiàn)隱藏的連接變得具有挑戰(zhàn)性。

此外，傳統(tǒng)的關(guān)系數(shù)據(jù)庫專注于預(yù)定義用例的結(jié)構(gòu)化查詢，但不利于發(fā)現(xiàn)大型數(shù)據(jù)集之間關(guān)系（例如，查找看似不相關(guān)的數(shù)據(jù)之間的聯(lián)系）。

圖形數(shù)據(jù)庫如何工作

驅(qū)動圖形數(shù)據(jù)庫的三個基本元素是“節(jié)點”、“邊”和“屬性”。

節(jié)點是實體或?qū)ο蟆?/span>

邊是指節(jié)點之間的關(guān)系或連接。

屬性是存儲節(jié)點或邊的屬性的鍵值對。

將人際關(guān)系視為頭等公民。

但是如何做到呢？這些圖形數(shù)據(jù)庫通過捕獲數(shù)據(jù)點之間復(fù)雜的多維關(guān)系，超越了關(guān)系數(shù)據(jù)庫。

與傳統(tǒng)方法不同，圖形數(shù)據(jù)庫保存上下文和相關(guān)信息，即使這些信息與用例沒有直接關(guān)系。

在圖形數(shù)據(jù)庫中，關(guān)系被視為一等公民，這意味著它們是數(shù)據(jù)模型的基本組成部分，與數(shù)據(jù)實體（節(jié)點）本身同等重要。

顯式存儲。

在圖數(shù)據(jù)庫中，關(guān)系直接存儲為具有各自屬性（特性）、類型（標(biāo)簽）和方向信息的專用對象。與依賴外鍵和連接操作在查詢時推斷關(guān)系的關(guān)系數(shù)據(jù)庫不同，圖數(shù)據(jù)庫以物理方式存儲這些連接，從而實現(xiàn)快速、無索引的遍歷。

豐富的數(shù)據(jù)建模。

關(guān)系承載著元數(shù)據(jù)，例如時間戳、權(quán)重或其他上下文信息，使其與其連接的節(jié)點一樣動態(tài)靈活。因此，這些關(guān)系不僅僅是簡單的鏈接，它允許復(fù)雜的多維交互（例如供應(yīng)鏈網(wǎng)絡(luò)或社交媒體中的交互）自然地建模，并隨著時間的推移而演變，而無需重構(gòu)整個模式。

通過數(shù)據(jù)連接優(yōu)化性能。

由于關(guān)系是圖結(jié)構(gòu)不可或缺的一部分，因此遍歷它們不需要昂貴的連接操作。“無索引鄰接”原則意味著每個節(jié)點都直接指向其連接的鄰居，從而確保即使是深度遞歸查詢也能高效執(zhí)行。

提高了可發(fā)現(xiàn)性和探索性。

傳統(tǒng)數(shù)據(jù)結(jié)構(gòu)會丟棄不符合當(dāng)前需求的數(shù)據(jù)，而圖數(shù)據(jù)庫則能夠提供更靈活的分析方式，并提供發(fā)現(xiàn)驅(qū)動的分析能力。圖數(shù)據(jù)庫能夠探索隱藏的關(guān)系，而無需預(yù)先定義所有問題。這種方法能夠提供更深入的洞察，并開啟分析和發(fā)現(xiàn)領(lǐng)域的新用例。

將圖譜構(gòu)建為具有更好推理能力的自我演化知識系統(tǒng)

雖然圖譜有其諸多優(yōu)勢，但我們不應(yīng)將其局限于靜態(tài)和手動更新功能。企業(yè)最需要的是豐富圖譜的知識庫，以提升推理和解答能力。

正如人類大腦無法瞬間學(xué)會一切，它會逐層構(gòu)建知識，并隨著時間的推移不斷完善。圖譜在行業(yè)中的定位可以類似于人類的認知過程，成為一種不斷發(fā)展的系統(tǒng)。

傳統(tǒng)知識圖譜不會動態(tài)發(fā)展；它們通常需要手動更新或固定結(jié)構(gòu)。

因此，當(dāng)圖譜不斷豐富時，真正的力量就顯現(xiàn)出來，而這正是人工智能代理在模仿中發(fā)揮關(guān)鍵作用的地方，類似于人類大腦隨著時間的推移形成連接的方式。

AI 代理可以隨著時間的推移動態(tài)更新和優(yōu)化圖譜，使其更加智能，更有價值。在下一節(jié)中，我們將深入探討 AI 代理如何改進這些圖譜！

人工智能代理是增量知識豐富的關(guān)鍵

從技術(shù)角度來說，AI 代理不僅應(yīng)該查詢圖譜，還應(yīng)該主動豐富和更新圖譜。它們應(yīng)該自我完善，從而為應(yīng)用程序提供更深入的洞察。

例如，如果出現(xiàn)新的關(guān)系，代理應(yīng)該自動將其添加到圖譜中，而不是依賴于人工更新。

我們對人工智能代理有何期望？

為了使人工智能驅(qū)動的圖譜表示隨著時間的推移而增長，每次系統(tǒng)重新審視某個主題時，它都應(yīng)該 通過在以前沒有聯(lián)系的概念之間建立更多的聯(lián)系來增加深度。

這導(dǎo)致了一種自我強化的知識結(jié)構(gòu)，其中的思想不會孤立存在，而是融入到更廣泛、相互關(guān)聯(lián)的理解網(wǎng)絡(luò)中。

深度=更好的情報和更準(zhǔn)確的反應(yīng)。

隨著數(shù)據(jù)量的增加，研究人員和技術(shù)開發(fā)人員不斷嘗試借助人工智能代理將這些知識系統(tǒng)轉(zhuǎn)變?yōu)椴粩喟l(fā)展的智能系統(tǒng)。

利用遞歸和自主擴展技術(shù)

把它想象成偵探追蹤線索：不只是一次反應(yīng)，而是利用每條新線索進行更深入的探索，建立起最初并不明顯的聯(lián)系。這就是遞歸探索，而自主進行意味著它無需人工的微觀管理。

遞歸和自主擴展指的是圖譜不會僅僅通過添加一次事實而增長，而是隨著時間的推移而發(fā)展，通常通過以下方式：

• 做出多步驟決策來探索關(guān)系。
• 在現(xiàn)有概念之間尋找新的聯(lián)系。
• 隨著新數(shù)據(jù)的發(fā)現(xiàn)而自我更新。

因此，我們的愿景是構(gòu)建 Agentic 系統(tǒng)，它不僅能處理圖譜，還能不斷改進知識庫。其中最有價值的技術(shù)之一是利用多跳推理和強化學(xué)習(xí)的能力。

知識圖譜本身就像一個連接數(shù)據(jù)庫，但人工智能代理可以在其基礎(chǔ)上進行推理，從而產(chǎn)生洞察。人工智能代理不僅檢索信息，還會通過多個步驟進行推理得出結(jié)論。多跳查詢使人工智能代理能夠沿著圖譜中的邏輯路徑進行推理，并綜合得出洞察。

傳統(tǒng)知識圖譜依賴于一次性預(yù)測（即，單步預(yù)測關(guān)系）。然而，基于強化學(xué)習(xí)的框架允許代理進行多跳查詢或順序決策，以發(fā)現(xiàn)新知識。

多模態(tài)理解

信息并非僅僅存在于結(jié)構(gòu)化文本或數(shù)據(jù)庫中，它還存在于圖像、視頻、音頻等多種形式中。為了充分豐富知識圖譜，智能體必須能夠解讀和整合來自多種模態(tài)的知識。

這需要能夠跨不同數(shù)據(jù)類型對齊語義表示，推理視覺或聽覺元素，并將它們與文本信息進行有意義的連接。最終的結(jié)果是一個更豐富、更全面的圖譜，能夠反映對世界的更廣泛理解。

時間感知圖推理

知識不會停滯不前。當(dāng)我們重新學(xué)習(xí)某些東西時，我們會在先前知識的基礎(chǔ)上不斷完善理解。我們的大腦遵循一個學(xué)習(xí)周期，同樣，知識圖譜也應(yīng)該更新。關(guān)系會發(fā)生變化，情境會發(fā)生變化，新的實體也會涌現(xiàn)。

為了體現(xiàn)這一點，代理必須基于隨時間演變的數(shù)據(jù)進行推理。用戶現(xiàn)在不僅知道現(xiàn)有事實，還知道該事實何時變?yōu)檎妫约罢嬷等绾坞S時間變化。時間推理對于代理將時間順序的一致性反映到知識圖譜中至關(guān)重要，確保推理與現(xiàn)實世界事件的進展保持一致。

AI代理通過以下方式不斷“重新學(xué)習(xí)”圖譜

當(dāng)新數(shù)據(jù)出現(xiàn)時添加新的關(guān)系，

隨著時間的推移刪除過時或薄弱的連接，或

加強經(jīng)常引用的聯(lián)系。

隨著時間的推移，這種漸進式改進過程會帶來更準(zhǔn)確的見解。

當(dāng)系統(tǒng)學(xué)會閱讀文本并自行發(fā)現(xiàn)關(guān)系時，一項重大突破就出現(xiàn)了。它們會從一些已知的示例入手，然后在大量文本中尋找相似的模式，以發(fā)現(xiàn)更多事實。有些系統(tǒng)甚至可以提出新的事實，并將其與在線信息進行核對，看看它們是否合理。

后來，人們構(gòu)建了更先進的系統(tǒng)，可以掃描大量非結(jié)構(gòu)化文本，并提取簡單的、類似句子的事實。例如，“水在 100°C 時沸騰”。這些系統(tǒng)不依賴于預(yù)定義的模板，因此具有靈活性和可擴展性。

??挑戰(zhàn)？這些提取的事實仍然需要清理和組織，才能完全整合成一個有意義的圖譜。

這時，代理的角色就變得更加復(fù)雜了。它不僅能提取數(shù)據(jù)，還能進行規(guī)范化、解決共指問題、刪除重復(fù)實體、與現(xiàn)有圖本體進行對齊，甚至判斷哪些事實值得整合。

在這里，推理起著核心作用。代理會問：

這個事實與我已經(jīng)知道的事情相沖突嗎？

我可以使用其他文本來源甚至其他形式（例如圖像或結(jié)構(gòu)化表格）來驗證它嗎？

我對這段關(guān)系有什么信心？它有用嗎？

只有這樣，事實才能在圖譜中占有一席之地。

那么現(xiàn)有的表怎么樣？它們能增加價值嗎？

結(jié)構(gòu)化數(shù)據(jù)可能是圖形智能的起點……

數(shù)據(jù)領(lǐng)域的現(xiàn)代組織已經(jīng)大規(guī)模管理結(jié)構(gòu)化數(shù)據(jù)：干凈的表格、受管控的數(shù)據(jù)集、維度模型和特定領(lǐng)域的數(shù)據(jù)產(chǎn)品。這些都是高價值資產(chǎn)，而不僅僅是孤立的數(shù)據(jù)集。

結(jié)構(gòu)化數(shù)據(jù)→互聯(lián)知識

自我進化的知識圖譜需要兩個主要的東西：

可靠、可解釋的實體和關(guān)系

當(dāng)新數(shù)據(jù)流入時，保持這些關(guān)系最新的機制

您的結(jié)構(gòu)化數(shù)據(jù)已經(jīng)捕獲：

• 實體是您的行（例如，客戶、訂單、資產(chǎn)）
• 屬性是您的列（狀態(tài)、時間戳、指標(biāo)）
• 關(guān)系嵌入在連接、外鍵或模型維度中
• 您已建模實體、定義架構(gòu)并管理訪問權(quán)限。您已使數(shù)據(jù)可查詢且可組合。

此外，采用目的驅(qū)動的數(shù)據(jù)產(chǎn)品可以讓您的數(shù)據(jù)資產(chǎn)為業(yè)務(wù)做好準(zhǔn)備，這些資產(chǎn)圍繞可以回答精確業(yè)務(wù)問題的實際概念進行建模。

這些是一致的，即受治理、版本化和合同驅(qū)動的。

現(xiàn)在，通過在頂層添加一個圖表，您可以創(chuàng)建一個知識基礎(chǔ)設(shè)施，可以驅(qū)動：

無需數(shù)據(jù)移動的跨域鏈接，圖譜無需新建管道，即可跨現(xiàn)有數(shù)據(jù)產(chǎn)品進行鏈接。例如，財務(wù)模型和支持模型無需合并，只需通過圖邏輯連接即可。您可以保留模塊化，同時獲得整體智能。

最小化 ETL 負載您無需移動或復(fù)制數(shù)據(jù)。 只需一個將結(jié)構(gòu)映射到連接的層。

一目了然，將結(jié)構(gòu)化數(shù)據(jù)輸入圖表，您可以解鎖：

• 語義豐富性（理解事物之間的關(guān)系）
• 跨領(lǐng)域推理（將銷售、支持和物流連接起來），
• 以及適應(yīng)性（隨著新需求的出現(xiàn)而不斷發(fā)展的結(jié)構(gòu)）。

探索可能性的藝術(shù)

在代理工作流中，正如我們之前介紹過的，您可以獲得數(shù)據(jù)產(chǎn)品的生動、互聯(lián)的視圖；它無需重新設(shè)計任何東西就能變得更加智能。

人工智能代理能夠可靠地檢測隨著時間的推移而產(chǎn)生的新鏈接、變化和缺失的連接。隨著數(shù)據(jù)產(chǎn)品的更新，圖譜也會自我演進：學(xué)習(xí)、擴展并反映現(xiàn)實世界的復(fù)雜性。

業(yè)務(wù)影響：豐富圖譜為何重要？

隨著企業(yè)越來越多地采用人工智能來支持其應(yīng)用程序，人們越來越認識到，單靠數(shù)據(jù)是不夠的。數(shù)據(jù)的結(jié)構(gòu)、連接和持續(xù)豐富方式?jīng)Q定了洞察和決策的質(zhì)量。而這正是人工智能更新的知識圖譜能夠提供顯著優(yōu)勢的地方。

1. 動態(tài)知識圖譜驅(qū)動的更智能的人工智能模型

說實話，圖譜技術(shù)聽起來很復(fù)雜。架構(gòu)、建模、集成……內(nèi)容繁多。這也是很多企業(yè)望而卻步的原因。

但這里有一個轉(zhuǎn)變：您不再需要自己構(gòu)建圖表。

如今，它們作為基礎(chǔ)設(shè)施提供：預(yù)先構(gòu)建、自我發(fā)展并由人工智能代理維護。

您只需連接您的系統(tǒng)即可。無需深厚的圖譜專業(yè)知識。代理會在后臺處理更新、結(jié)構(gòu)和增長。

最棒的是？隨著新數(shù)據(jù)的加入，圖譜會不斷改進，這意味著你的搜索、推薦、聊天和分析都會自動變得更加智能。

2. 構(gòu)建圖譜基礎(chǔ)設(shè)施

大多數(shù)團隊認為你需要一個圖譜專家來完成所有這些工作，但其實不需要。

復(fù)雜性？它被抽象化了。幕后的AI代理會維護圖譜的健康：更新連接、添加新見解，并確保一切保持一致。

你只需使用它。無需手動建模關(guān)系或自行管理圖譜。它是一種智能系統(tǒng)，可以自我管理并不斷改進。

3. 對跨領(lǐng)域數(shù)據(jù)產(chǎn)品的影響

當(dāng)您使用 AI 驅(qū)動的圖譜基礎(chǔ)設(shè)施為您的系統(tǒng)提供支持時，您不僅可以獲得更多數(shù)據(jù)，還可以獲得更智能的全面成果。

您的客戶支持將變得更加敏銳，通過情境感知答案更快地解決查詢。欺詐檢測將變得更加主動，能夠發(fā)現(xiàn)其他人忽略的細微模式。產(chǎn)品推薦將變得更加相關(guān)：不僅“受歡迎”，而且更具個人意義。您的儀表板？它們能夠揭示跨越數(shù)據(jù)孤島而非孤立數(shù)據(jù)的洞察。

因為這不僅僅涉及更多的數(shù)據(jù)，還涉及正確的結(jié)構(gòu)，并通過不斷學(xué)習(xí)的代理不斷豐富。

小結(jié)：圖譜工作更智能，所以你不必

借助 AI 驅(qū)動的圖譜基礎(chǔ)架構(gòu)，您無需管理復(fù)雜性，而是能夠釋放智能。無需手動更新，無需重新訓(xùn)練。只需一個圖譜，它就能在每次數(shù)據(jù)變化時學(xué)習(xí)、調(diào)整并提供更佳結(jié)果。

更智能的應(yīng)用。更快的洞察。更低的開銷。