“智能化”与“知识图谱”的关系

数据”和“知识”的关系

上文中我一直都在强调知识，那么知识是什么？数据就是知识吗？为了更好的理解后面知识图谱的重要性。这里先初步解释一下，避免混淆数据和知识的概念。

简单来说知识和数据是逐级包含关系，也就是说知识是由数据构成的。这个大家可能理解，但并不是所有的数据都是知识。首先我们来拆解一下，通过对数据的分析加工变成了信息进行传递，而信息只是有效传递的一种形式并非知识，只有提炼出信息与信息之间的联系并进行应用便转化为了知识。知识是有特定关联的信息的集合和应用。

可能一时揭露本质难以理解，可以细细体会。

三、“智能化”与“知识图谱”的关系

信息与信息之间相互联系才构建形成了知识。

知识图谱是对经验的构建，也是知识沉淀的一种方法。

知识图谱简而言之是对现实世界实体与实体之间关系的构建和对实体属性的定义去来构建知识体系的。而通过关系的推理可以知道在某些场景下所能联系出的方式方法和策略，相当于基于经验知识的智能。

举一个实际数据应用场景的例子：比如最常见的数据分析场景。进行数据分析的时候，当前业务的分析维度或指标是需要你依据业务场景来设想。如果基于已有的知识体系和经验会推荐出跟你相关的数据指标或数据维度，这取代或节省的是你设想和构思分析模型的时间和效率。

你会发现这种应用在不同工作中都会存在很多类似的场景：像特征工程的特征筛选；运营、营销和风控等策略方法相关场景。总而言之运用到知识经验的场景都可以进行应用。

但现阶段对于创新还是有一定难度的，目前主要应用还是在于历史经验的筛选。不过可以通过后期图推理能力的增强进行关联性创新，即通过关联到的其他维度进行方法的适配。如营销策略从风控策略中抽象而来的方法也不是没有可能。

四、反哺和吸取

说到创新，从机器智力的角度，有一点是难以实现的。就是我以前文章《深入数据分析思维》中提到的“无中生有”。因为这个东西在机器的世界里（数据）从未出现过，也无法通过组装的方式衍生出来。但是有方式可以弥补这个缺陷，即快速的新知识获取，获取速度尽量等同于新知识的产生速度。

我们再来回顾一下人的思考过程，你会发现人的创新或想象力并不是凭空出现的，也并不仅仅是靠训练而获得的，其中还有一种思考的原材料，就是知识和经验。人是根据不断获取外界的知识和经验去进行思考和实践，之后对已有知识体系的排列组合。

所以我们可以通过把自动化构建知识作为思考原料的补充，通过迅速爬取和自动构建知识体系，可以近似于无限接近知识的边界而拥有了创新能力。