国双专家谈：国双知识智能与传统知识图谱技术的差异比较

国双知识智能是国双全面自研的技术能力之一，自立项初始，便旨在以平台化解决方案为建设思路，助力企业、政府组织在平台上完成多源异构数据的知识化，进而以知识应用助推、收敛、赋能到产业智能化的切实落地及发展。由于国双知识智能能力运用了大量知识图谱技术，因此经常被误认为就是知识图谱的构建，但其实国双所理解及命名的“知识”，其含义远比“知识”这个词的字面意义拥有更为丰富的架构和内涵。

作为国双混合式产业智能体系中的核心模块，国双对知识管理的理解绝不仅限于运用单一知识图谱技术来建构系统。目前国双的知识智能已经形成了从模型构建、数据标注、知识抽取、知识计算和应用的完整工具链，可支撑从“数据->知识->应用->优化”一站式管理的实现，从而能够为企业智能化应用的落地提供坚实的承托和保障。

正如国双知识智能专家介绍过的：“知识智能平台有两个关键词，一个是知识，一个是智能，代表了它的两个作用，前者代表沉淀知识，后者代表用知识赋能业务。前者是基础，后者才是目的。”

目前，历经多年的研究与研发，国双的知识智能已实现了与NLP、LLM、机器学习、深度学习等多元AI技术栈的轻松插拔、耦合，成长成为了成熟的智能化复合技术方案。本篇文章中，将试图从传统知识图谱技术与国双企业级知识管理方案的六大差异方面展开，逐一去对比其中区别，具体如下：

一、在多源异构数据的融合方面：

传统知识图谱：依赖人工定义的模式（Schema），对非结构化数据的融合能力有限，多为语义层面的关联融合；

国双知识智能：基于国双沉淀的湖仓一体化引擎，在统一的本体体系下，实现了企业级全范围的多模态数据统一、动态关联融合，并可基于本体体系的更新而自动迭代；

过往成功案例：

曾成功为某企业构建的内部知识共享平台，能够动态关联图像、视频、文档和企业生产数据库，还能关联企业研发人员的行业软件及其产生的专有数据资产，形成一体化查询平台。

二、在知识体系的动态进化方面：

传统知识图谱：主要基于语义网络，通过人工或半自动方式构建实体、关系等，侧重于知识的表示与关联；

国双知识智能：将数据治理和知识治理融合，通过闭环的数据和知识体系管理工具集和算法支撑，实现基于数据挖掘和应用反馈的本体体系迭代更新；

过往成功案例：

为某企业成功构建的数据与知识中台，实现了数据字段和知识本体自动关联映射，并根据报表使用的统计分析，识别数据关系，快速推荐出对本体优化的建议。

三、对企业或组织内部规则和经验知识的沉淀方面：

传统知识图谱：依靠人工梳理和编码规则、经验，更新不灵活，难以快速适应新的规则和经验；

国双知识智能：实现了基于知识图谱及相关分析算法构建领域规则网络，将人工经验录入和基于机器学习的多因素模型训练结合，实现人机结合的规则模型构建及维护；

过往成功案例：

在营销领域构建目标人群分析模型，需要结合人工经验及网络多渠道数据分析及反馈。

国双通过将大量人货场相关数据构成事实图谱，基于事实图谱的相关数据和人工经验规则，构建目标人群标签传递网络，实现领域内的目标人群圈定，准确率远超传统方法。

四、对业务场景中的因果和机理知识沉淀方面：

传统知识图谱：主要沉淀显性的因果关系（如明确的因果规则），对复杂隐性的机理知识沉淀能力弱；

国双知识智能：实现了基于知识图谱及因果约束机制构建面向场景的因果模型，基于因果模型表征行业机理，并基于数据和行业知识进行因果模型的验证及优化；

过往成功案例：

在油气领域的复杂设备故障诊断场景，通过因果模型表征“现象-根因-处置措施”实现多现象、个性化场景的复杂工况分析。该模型冷启动学习历史日志，运行时分析结果可与现场诊断结果反馈对接，其诊断准确性已经超过人类专家组联合判断的效果。

五、对领域算法建模的支持方面：

传统知识图谱：主要提供知识查询接口，对领域算法建模的直接支持有限，算法与知识的结合需额外开发；

国双知识智能：可以为领域算法建模人员提供一体化的数据获取方式，还能基于因果模型、规则模型、行业算法库沉淀、为领域建模提供特征组合和预制算法推荐；同时还能够基于智能助手实现自动化、半自动化的模型构建和实验；

过往成功案例：

通过算法建模人员描述相关任务场景，通过知识图谱（按事实图谱、因果模型、规则模型）关联，自动推送案例积累，本场景的相关维度及重要性评估，推荐特征工程的指导意见及算法备选集，并随着算法实验的反馈及线上反馈，更新相关的资源推送。

六、对数字孪生建模的支持方面：

传统知识图谱：仅能提供部分静态知识关联，对数字孪生所需的动态数据、实时仿真等支持不足；

国双知识智能：可通过图谱和仿真模型的结合，实现基于知识图谱构建和组态工业数字孪生的功能，降低了工业数字孪生的构建和维护门槛；

过往成功案例：

为油气和智慧建筑等领域成功构建若干数字孪生模型，其设备和设备关联、传感器模型、传动机制等都积累沉淀进入在本体库内；

当面向新场景建模时，可轻松简化为基于新场景进行相关实体关系的连接；连接好的场景模型即可实现实时对接传感器，调用后台的机理模型，高效支撑场景的推演和计算。

• 国双专家谈：以AI驱动企业级知识检索，赋能专业领域智能体构建

• 国双专家谈：以业务场景牵引的知识治理为数据要素化赋能（上篇）

• 国双专家谈：以业务场景牵引的知识治理为数据要素化赋能（下篇）