산업지식 그래프 고급실습

1. 배경 소개

먼저 Yunwen Technology의 개발 역사를 소개하겠습니다.

Yunwen Technology Company...

2023년은 대형 모델 이후 그래프의 중요성이 크게 감소했다고 생각하는 기업이 많습니다. 더 이상 중요하지 않습니다. 그러나 RAG의 홍보와 데이터 거버넌스의 확산으로 우리는 보다 효율적인 데이터 거버넌스와 고품질 데이터가 민영화된 대형 모델의 효율성을 향상시키는 중요한 전제 조건이라는 것을 알게 되었습니다. 따라서 점점 더 많은 기업이 주목하기 시작했습니다. 지식 구축 관련 콘텐츠에 이는 또한 탐구할 수 있는 많은 기술과 방법이 있는 더 높은 수준으로 지식의 구성 및 처리를 촉진합니다. 새로운 기술의 출현이 기존 기술을 모두 압도하는 것은 아니라고 볼 수 있으며, 신기술과 기존 기술을 서로 융합함으로써 더 나은 결과를 얻을 수도 있다. 우리는 거인의 어깨 위에 서서 계속 확장해야 합니다.

윤원기술이 기업지식센터에 주력하는 이유는 무엇인가요? 위험 관리, 약물 테스트 등과 같은 복잡한 시나리오에 직면했을 때 단기간에 이상적인 결과를 달성하고 표준화된 제품을 만드는 것이 어렵다는 과거 사례를 발견했기 때문입니다. 전사적 지식관리나 사무관련 업무관리 시나리오에서는 비교적 빠르게 시운전에 들어가 이상적인 결과를 얻을 수 있다. 따라서 올해 대규모 민영화 모델을 만들기 위해 기업과 협력할 때 기업 지식경영을 기반으로 한 질의응답이나 검색 등 기업 지식관리를 핵심 주제로 포함시키겠습니다. 기업의 경우 자체적인 민영화된 지식 및 지식 센터를 구축하는 것이 매우 중요합니다.

이러한 이유로 지식 그래프의 방향을 연구하고 싶은 친구가 있다면 지식의 전 생애주기를 고려하여 해결해야 할 문제와 구체적인 착륙 지점에 대해 생각해 보는 것이 좋습니다. 예를 들어, 일부 회사에서는 기존 문서를 사용하여 시험, 교육 및 인터뷰와 관련된 콘텐츠를 생성합니다. 이러한 기술적 핫워드가 너무 뜨겁더라도 이러한 민영화된 모델은 GPT3.5 또는 GPT4보다 더 효과적입니다. 사전제작이 끝났습니다. 따라서 보다 전문화되고 정교한 모델이 향후 개발의 주요 추세가 될 것이라고 믿습니다.

2. 지도 상품 형태

위 배경에서 지도 상품 형태는 어떤 모습일까요? 다음으로 Yunwen Technology의 'AI + 지식' 제품 시스템을 예로 소개하겠습니다.

우선, 통일된 AI 기반이 있어야 합니다. 이는 하나의 팀, 심지어 하나의 회사로도 이루어질 수 없습니다. 대형 모델 엔진의 타사 API 또는 SDK를 사용할 수 있습니다. 빌드하는 데 수개월이 걸린 휠은 오픈 엔진만큼 효과적이지 않을 가능성이 높기 때문에 처음부터 휠을 구축할 필요는 없습니다. 방금 출시된 소스 모델입니다. 따라서 AI 기반 부분에 대해서는 타사 기술을 어떻게 결합할지 좀 더 고민해 보는 것이 좋으며, 직접 개발한다면 장점을 명확히 생각해야 한다. 플랫폼의 가치를 고려하고 두 가지를 모두 고려합니다.

AI 기능 구성 요소와 관련하여 일부 제공 경험을 통해 이러한 AI 기능 구성 요소가 제품보다 더 잘 팔리는 경향이 있다는 것을 발견했습니다. 많은 회사가 전문 기술 회사가 만든 구성 요소를 사용하여 자체 상위 계층 응용 프로그램을 구축하기를 원하기 때문입니다. 빅모델 시대에 AI 기능 부품을 파는 것은 삽을 파는 것과 같고, 금광은 여전히 대기업이 직접 채굴하고 있다.

상위 애플리케이션 측면에서는 AIGC 자체 애플리케이션, 지식 인텔리전스, 지능형 비즈니스 서비스라는 세 가지 방향에서 구현할 것입니다. 어느 방향으로 더 큰 가치가 있을지 탐색해 보세요. 지식 그래프는 우리가 지식 지능 전체의 핵심 링크로 분류합니다. 지식 그래프는 핵심이지만 유일한 것은 아니라는 점에 유의해야 합니다. 우리는 이전에 많은 시나리오를 경험했으며, 고객은 수많은 관계형 데이터베이스와 수많은 비정형 문서를 보유하고 있으므로 이러한 모든 지식 시스템과 지식 자산을 지식 그래프에 통합할 수 있기를 바랍니다. 우리는 미래 지식 아키텍처가 이질적이어야 한다고 믿습니다. 일부 지식은 문서에 있고 일부 지식은 관계형 데이터베이스에 있으며 일부 지식은 그래프 네트워크에서 나올 수 있습니다. 결국 대규모 모델이 수행해야 하는 작업은 다중 기반입니다. 소스 이종 구조 데이터의 종합 분석. 예를 들어, 지능은 관계형 데이터베이스에서 몇 가지 수치 지표를 추출하고, 문서에서 몇 가지 제안을 찾고, 작업 주문에서 일부 기록 정보를 검색한 다음 분석을 위해 모든 콘텐츠를 통합할 수 있습니다. 이것이 우리가 대규모 모델과 지식 그래프의 조합을 생각하는 방식입니다. 전체 아키텍처에서 대형 모델은 최종 분석을 수행하며, 지식 그래프는 대형 모델이 지식 표현 시스템을 통해 숨겨진 지식을 보다 빠르고 정확하게 찾을 수 있도록 도와줍니다.

앞에서 대형 모델과 지도의 관계에 대해 논의했습니다. 다음으로 지도 자체에 필요한 것이 무엇인지 살펴보겠습니다.

우선 그래프 뒤에는 오픈소스 Neo4j, Genius Graph 등의 그래프 데이터베이스와 국내 일부 데이터베이스 브랜드가 있습니다. 지식 그래프와 그래프 데이터베이스는 서로 다른 개념입니다. 지식 그래프 제품을 만드는 것은 빠른 그래프 모델링 및 시각화를 달성하기 위해 그래프 데이터베이스의 상위 계층을 캡슐화하는 것과 같습니다.

지식 그래프 제품을 만들고자 할 때 먼저 Neo4j의 제품 형태나 몇몇 국내 주요 제조사의 지식 그래프 제품을 참고하면 지식 그래프 제품에 어떤 기능과 링크가 필요한지 대략적으로 이해할 수 있습니다. 구현. 더 중요한 것은 지식 그래프를 구축하는 방법을 아는 것입니다. 회사마다, 시나리오마다 그래프가 다르기 때문에 이는 비즈니스 문제인 것 같습니다. 기술자로서 전기, 장비, 산업 등을 이해하지 못하면 업무에 맞는 지도를 구축하는 것은 불가능합니다. 최종적으로 결과를 얻으려면 비즈니스와의 지속적인 커뮤니케이션과 지속적인 반복이 필요합니다. 논의 과정은 실제로 스키마의 본질로 돌아갈 수 있으며, 스키마에 대한 일련의 온톨로지 이론과 논리적 개념을 제시하는 것이 매우 중요합니다. 스키마가 완성되면 더 많은 관련 인력이 참여하여 콘텐츠를 풍부하게 하고 제품을 더욱 개선할 수 있습니다. 지금까지 우리의 경험 중 일부는 다음과 같습니다.

다음은 맵의 전반적인 특징을 소개합니다. 현재 지식 그래프는 여전히 주로 트리플을 기반으로 하며 이를 기반으로 엔터티, 속성, 관계 등 다세분성 및 다단계 의미 관계가 구성됩니다. 산업계에서는 트리플로 해결할 수 없는 문제에 자주 직면합니다. 실제 물리적 세계를 설명하기 위해 설정된 엔터티 속성 값을 사용할 때 많은 문제가 발생합니다. 이때 제약조건을 CVT 형태로 구현해보겠습니다. 따라서 지식 그래프를 구축할 때 모든 사람은 먼저 트리플이 현재 문제를 해결할 수 있다는 것을 입증해야 합니다.

한 가지 짚고 넘어가야 할 점은 지도를 만들 때 필요에 따라 만들어야 한다는 점입니다. 왜냐하면 세계는 무한하고 그 안에 담긴 지식의 내용도 무한하기 때문입니다. 처음에는 물리적 세계에 존재하는 모든 개체를 컴퓨터 세계로 묘사하려는 비전을 갖는 경우가 많습니다. 문제는 결국 구축된 전체 스키마가 너무 복잡해 실제 비즈니스에 도움이 되지 않는다는 점이다. 예를 들어, 지구가 태양 주위를 돈다는 사실을 삼중 구조로 구성할 수 있습니다. 하지만 이 삼중항으로는 지금 제가 직면하고 있는 실제 문제를 해결할 수 없으므로 필요에 따라 삼중항을 구축해야 합니다.

그렇다면 상식적인 질문에 어떻게 대처해야 할까요? 많은 질문에는 상식 삼중 요소가 필요합니다. 우리는 이것이 큰 모델에게 맡겨질 수 있다고 생각합니다. 또한 지식 그래프를 통해 전문성을 탐색하고 실제로 관련된 지식을 그래프에 구축할 수 있기를 바랍니다. 그러면 대형 모델은 상식을 바탕으로 오픈 필드에서 얻을 수 없는 지식 그래프를 통해 제공되는 사전 지식과 결합되어 더 나은 결과를 얻을 수 있습니다.

지식 그래프를 구축하려면 온톨로지, 관계, 속성 및 개체의 정의와 이를 시각화하는 방법을 포함하여 비즈니스 담당자와 운영 담당자가 공동으로 설계해야 합니다. 결국에는 제품의 형태로 사용자에게 어떤 콘텐츠를 제시할 것인지에 대한 질문이 수반될 것입니다. 사용자가 최종 소비자라면 시각적 검색과 Q&A만 제시하면 됩니다. 왜냐하면 이러한 유형의 고객은 지도가 자동이든 수동이든 상관없이 지도가 어떻게 구성되는지 신경 쓰지 않기 때문입니다.

여기에는 또 다른 매우 중요한 문제가 있습니다. 즉, 대규모 모델 시나리오에서도 모든 맵을 자동으로 구성할 수는 없다는 것입니다. 그래프를 구성하는 데 드는 비용은 매우 높습니다. 그래프 모델링에 많은 에너지를 소비하는 대신 소비에 에너지를 소비해야 합니다. 비즈니스 승인을 얻으려면 수동 구성에 의존해야 할 수도 있습니다. 예를 들어 특정 형식의 테이블이 테이블 전체에 걸쳐 복잡한 경우 대규모 모델을 사용하여 기준선을 찾으려고 시도할 수 있습니다. 이는 에너지를 건설에서 소비로 전환시킵니다. 예를 들어, 프로젝트 주기가 100일 동안 지속된다면 지도를 작성하는 데 70일이 소요되고, 마지막 30일은 이 지도의 적용 시나리오를 생각하는 데 소요되거나, 초기 구축 시간이 연장되기 때문에 시간이 없습니다. 큰 질문으로 이어질 수 있는 가치 있는 소비 시나리오에 대해 생각해 보세요. 경험상 구축에 약간의 시간을 투자하거나 기본적으로 수동 구축을 수행해야 합니다. 그리고 어떻게 하면 구축된 지도의 가치를 극대화할 수 있을지 고민하는 데 많은 시간을 할애하세요.

위 그림은 지식 그래프를 구축하는 과정을 보여줍니다. 온톨로지를 구축할 때 데이터베이스 자체의 테이블 구조도 업데이트될 수 있는 것처럼 온톨로지 변경을 받아들여야 합니다. 따라서 설계할 때 견고성과 확장성을 고려해야 합니다. 예를 들어, 특정 유형의 장비에 대한 지도를 만들 때 전체 장비 시스템을 고려해야 합니다. 앞으로는 이 시스템을 통해 장치를 검색해야 할 수도 있으며, 이 시스템에 속한 다른 장치는 아직 구축할 수 있는 지도를 구축하지 않았다는 점도 이해해야 합니다. 전체 대규모 시스템을 통해 사용자에게 더 큰 가치를 제공합니다.

자주 듣는 질문은 FAQ나 대형 모델을 통해 답을 찾을 수 있는데 왜 지도를 사용해야 합니까? 우리의 대답은 현재의 지식을 지도와 연관시키면 우리가 보는 세상은 더 이상 1차원이 아닌 네트워크로 연결된 세상이 된다는 것이다. 이는 지도가 소비자 입장에서 실현할 수 있는 가치이며, 달성하기 어렵다. 다른 기술과 함께. 현재 모든 사람들의 관심은 규모와 사용된 고급 알고리즘에 집중되는 경우가 많지만 실제로는 소비와 문제 해결의 관점에서 그래프 구성을 생각해야 합니다.

대형 모델이 대세인 만큼, 대형 모델과 그래프의 조합을 고려해야 합니다. 그래프는 상위 계층 애플리케이션이고, 대형 모델은 기본 기능이라고 간주할 수 있습니다. 우리는 다양한 시나리오에서 대형 모델이 지도에 어떤 도움을 주는지 이해할 수 있습니다.

그래프 구성 시 기존의 UIE, NER 및 기타 관련 기술을 대체하기 위해 일부 문서와 프롬프트 단어를 통해 정보 추출을 수행할 수 있어 추출 능력이 더욱 향상됩니다. 또한 제로샷(Zero-Shot), 퓨샷(Few-Shot) 및 충분한 데이터 훈련의 경우 대형 모델이 더 나은지 작은 모델이 더 나은지 고려해야 합니다. 이런 종류의 질문에 대한 단일 답변은 없으며 다양한 시나리오와 다양한 데이터 세트에 대한 다양한 솔루션이 있습니다. 이것은 지식 구축의 새로운 길입니다. 현재 제로샷 시나리오에서는 대형 모델의 추출 기능이 더 좋습니다. 그러나 표본 크기가 커지면 비용 대비 성능과 추론 속도 측면에서 작은 모델이 더 많은 이점을 갖습니다.

소비자 측면에서는 기업이 특정 정책을 충족할 수 있는지, 정책에서 언급된 혜택을 누릴 수 있는지 판단하는 등 정책 판단 등 추론 문제를 해결하는 데 그래프가 사용됩니다. 이전 접근 방식은 그래프, 규칙, 진술 표현을 통해 판단하는 것이었습니다. 현재 접근 방식은 사용자의 질문을 사용하여 현재 기업과 유사한 트리플 또는 튜플을 찾고 대규모 모델을 사용하여 답변을 얻고 결론을 도출하는 Graph RAG와 같습니다. 따라서 많은 그래프 추론 문제와 그래프 구성 문제를 대형 모델 기술을 통해 해결할 수 있습니다.

그래프 저장 측면에서는 그래프 데이터베이스의 데이터 구조와 그래프 자체가 매우 중요합니다. 대형 모델은 긴 텍스트나 전체 그래프를 단기적으로 처리할 수 없기 때문에 그래프 저장이 매우 중요한 방향입니다. 벡터 데이터베이스와 마찬가지로 미래 대형 모델 생태계에서도 매우 중요한 구성요소가 될 것입니다. 상위 계층 애플리케이션은 실제 문제를 해결하기 위해 이 구성 요소를 사용할지 여부를 결정합니다.

그래프 시각화는 프런트 엔드 문제이므로 시나리오와 해결해야 할 문제에 따라 설계해야 합니다. 또한 이 기술이 향후 모바일 단말기, PC, 휴대용 장치 등 다양한 상호 작용 형태를 충족할 수 있는 특정 기능을 제공하는 중간 플랫폼으로 사용될 수 있기를 바랍니다. 구조만 제공하면 되며 프런트 엔드가 렌더링하고 표시하는 방법은 실제 요구 사항에 따라 결정될 수 있습니다. 대형 모델은 이러한 구조를 호출하는 방법이기도 합니다. 대규모 모델이나 에이전트가 요구 사항에 따라 그래프를 호출하는 방법을 결정할 수 있으면 폐쇄 루프가 열릴 수 있습니다. 그래프는 향후 다양한 애플리케이션의 호출에 적응하기 위해 더 나은 API를 캡슐화할 수 있어야 합니다. 중간 플랫폼의 개념은 점차적으로 모든 당사자가 독립적이고 분리된 서비스를 더 널리 사용할 수 있게 되었습니다.

예를 들어 문서의 표에 남아있는 특정 값을 찾아야 할 경우 검색이나 대형 모델 기술을 사용하여 내용을 표현하는 경우 해당 위치를 찾는 것이 어렵습니다. , 응용 시스템에서 인터페이스를 호출하여 이 맵의 값을 얻고 맵이 있는 위치의 문서를 제시하거나 대형 모델의 분석 결과를 제시할 수 있습니다. 이 시각화 방법은 사용자에게 가장 효율적입니다. 이는 지도, 검색 또는 기타 응용 기능을 호출하여 공동으로 문제를 해결하고 최종적으로 대형 모델을 사용하여 "라스트 마일"을 생성하여 효율성을 향상시키는 현재 인기 있는 Copilot 방법이기도 합니다.

이제 우리는 지식베이스와 그래프의 다양한 통합을 자주 수행합니다. 올해에는 많은 지식 프로젝트가 등장하고 있습니다. 이전에는 지식이 주로 검색과 소비를 위해 제공되었습니다. 대형 모델이 등장하면서 지식이 대형 모델에도 공급되어 소비될 수 있다는 사실을 모두가 알게 되었습니다. 따라서 모든 사람은 지식의 기여와 구축에 더 많은 관심을 기울입니다. 우리는 스스로 많은 지식을 갖고 있고, 우리의 지식은 구조화되어 있지 않고, 작업 지시서, 장비 유지보수 사례 등 매우 중요한 지식이 많을 것이기 때문에 제3자의 지식 그래프 시스템도 필요하며, 이 지식을 구조화된 콘텐츠로 전송해야 합니다. 이 콘텐츠는 이전에 검색에 사용되었지만 이제는 대형 모델의 SFT에 사용할 수 있습니다.

지식베이스와 그래프가 자연스럽게 결합되면 하나의 지식서비스 상품을 외부세계에 제공할 수 있습니다. 이 지식 서비스 제품의 활력은 매우 강력하며 OA, ERP, MIS 또는 PRM 시스템에서 지식에 대한 수요가 있을 것입니다.

통합할 때 지식과 데이터를 어떻게 구별하는지에 큰 주의를 기울여야 합니다. 고객은 많은 양의 데이터를 제공하지만 이 데이터는 지식이 아닐 수도 있습니다. 우리는 수요 측면에서 지식을 정의해야 합니다. 예를 들어, 장비의 경우 장비 작동 중 데이터 변동과 같이 일반적으로 알아야 할 사항은 모두 데이터이며 장비의 공장 시간, 마지막 유지 관리 시간 등은 지식입니다. 지식을 어떻게 정의하는가는 매우 중요하며, 기업의 참여와 지도가 함께 이루어져야 합니다.

3. Industrial Graph Advanced

디지털 트랜스포메이션 과정에서 스케줄링, 장비, 마케팅, 분석 등의 시나리오에 AI와 그래프 기술이 활용될 것입니다. 특히 파견 시나리오에서는 교통 파견, 에너지 파견, 인력 파견 등 모두 업무 분배 형태로 수행됩니다. 예를 들어, 화재가 발생하면 얼마나 많은 사람, 차량 등을 파견해야 합니까? 일정을 잡을 때 일부 관련 데이터를 쿼리해야 합니다. 현재 문제는 결과를 찾을 수 없는 것이 아니라 내용이 너무 많다는 것입니다. 반환되지만 실제로 유용한 정보는 제공되지 않습니다. 아직 키워드 검색에 지식 소모가 남아 있기 때문에 '불'이라는 단어가 포함된 문서는 모두 표시됩니다. 더 나은 프레젠테이션을 위해 그래프를 사용할 수 있습니다. 예를 들어, "화재"의 온톨로지를 설계할 때, "화재"의 엔터티에 대해서는 그 상위 온톨로지를 재난으로 설계할 수 있습니다. 이러한 콘텐츠를 통해 지식을 나눕니다. 이러한 방식으로 사용자가 "fire"를 입력하면 관련 지도 컨텍스트와 다음에 수행해야 할 작업이 표시됩니다.

스케줄 관련 시나리오에서는 에이전트의 방향에 주의해야 합니다. 예약 자체는 멀티 태스킹 시나리오이기 때문에 에이전트는 예약에 매우 중요합니다. 지도에서 반환되는 결과는 더욱 정확하고 풍부해집니다.

스마트 기기에 대한 응용 시나리오도 많습니다. 장비 정보는 다양한 시스템에 저장됩니다. 예를 들어 공장 정보는 제품 설명서에 저장되고, 유지 관리 정보는 유지 관리 작업 지시에 저장되며, 작동 상태는 장비 관리 시스템에 저장되고, 검사 상태는 산업 검사 시스템에 저장됩니다. . 업계가 직면한 큰 문제는 시스템이 너무 많다는 것입니다. 장치의 정보를 조회하려면 여러 시스템에서 조회해야 하며, 이러한 시스템의 데이터는 서로 연결되어 있지 않습니다. 이때 연결을 열고 모든 콘텐츠를 연결하고 매핑할 수 있는 시스템이 필요합니다. 지식 그래프를 핵심으로 하는 지식 기반이 이 문제를 해결할 수 있습니다.

지식 그래프에는 온톨로지를 통해 관련 속성, 필드, 필드 소스 등이 포함될 수 있으며, 아래쪽부터 다양한 시스템 간의 계열 및 병렬 관계를 설명하고 연관시킬 수 있습니다. 그러나 그래프를 작성할 때는 그에 따라 그래프를 디자인하고 작성해야 한다는 점을 명심하십시오. 많은 기업들이 지도를 구축할 때 데이터센터의 모든 데이터를 D2R 기술을 통해 전송하게 됩니다. 이 지도는 사실상 의미가 없습니다. 지도를 만들 때 동적 지도와 정적 지도 간의 관계를 고려해야 합니다.

지능형 마케팅 및 다중 시나리오 에너지 AI 분야에도 많은 응용 시나리오와 설계 기법이 있는데, 이에 대해서는 여기서는 다루지 않고 나중에 논의할 수 있습니다.

그래프를 작성할 때 건축 디자인은 매우 중요합니다. 기본 라이브러리 및 프로세스를 그래프 구성 및 소비와 통합하는 방법. 궁극적으로 어떻게 전달되는지에 대해 고려해야 할 세부 사항이 많이 있습니다. 디자인과 실습은 위 그림에 나열된 링크를 참고하시면 됩니다.

우리는 또한 상위 및 하위 비트, 그래프 CVT 쿼리 등과 같은 그래프 KBQA에 대한 일부 연구를 수행했습니다. 예를 들어 의료 시나리오에서 발열과 두통은 비정상적인 신체 표현과 연관되어 있으며, 발열이나 두통은 지식 베이스에 별도로 저장되지 않습니다. 사용자 표현과 전문적 표현 사이에 차이가 있는 경우, 우월 추론 CVT를 통해 이를 해결할 수 있습니다.

현재 구축된 그래프는 SPO, 멀티홉, TransE 등의 엔터티 정렬만 가능합니다. 그러나 실제 복잡한 시나리오에서는 CVT를 상위 위치와 하위 위치와 결합하여 구현해야 합니다. 영어 데이터 세트에서 매우 좋은 성능을 보이는 논문도 많이 있지만 중국어 데이터 세트의 결과는 이상적이지 않습니다. 따라서 우리는 우리 자신의 필요에 따라 디자인하고 좋은 결과를 얻기 위해 지속적으로 반복해야 합니다.

문서 구문 분석, 단락 추출, 삼중 추출 및 수동 검토를 포함한 반자동 문서 처리. 이 수동 검토 단계는 종종 무시되는 경우가 많습니다. 특히 대형 모델이 출시된 후에는 사람들이 수동 검토에 덜 관심을 쏟습니다. 실제로 데이터 처리와 데이터 거버넌스를 수행하면 모델 효과가 크게 향상될 것이다. 그러므로 우리가 궁극적으로 해결하고자 하는 시나리오는 높은 가치를 가져야 한다는 점을 고려해야 하며, 지도 구축이든 대형 모델의 최적화든 리소스가 어디에 투자되는지에도 주의를 기울여야 합니다. 이러한 고려 사항이 없으면 제품이 쉽게 교체되거나 문제가 발생할 수 있습니다.

위 사진은 Yunwen Technology의 기기 수명주기 관리 제품을 보여줍니다. 이러한 시나리오는 다양한 시나리오의 경량 중간 모듈과 상위 계층 애플리케이션 구축을 통해 실현됩니다. 이러한 모듈의 활력은 지식 그래프 시스템 자체의 활력보다 훨씬 더 강력합니다. 독립형 또는 미들웨어만 판매하는 것은 그래프 분야, 특히 산업 현장에서는 적합하지 않습니다. 많은 산업 문제는 고객 관점에서 볼 때 매우 복잡하며 다이어그램이나 대형 모델로는 해결할 수 없습니다. 우리가 해야 할 일은 고객에게 그 효과를 설득하는 것입니다.

산업 지능화 과정에는 R&D 및 설계, 생산 관리, 공급 관리, 사전 판매 마케팅 및 종합 서비스 분야에 많은 적용 지점이 있습니다.

위 사진은 설비 불량 맵 적용 시나리오 예시입니다. 이 시나리오에서는 장비 작동 상태 및 관계형 데이터베이스의 단순 데이터와 같은 모든 그래프 요소를 포함하지 않았습니다. 우리는 장비 유지 관리를 위해 주로 세 가지 유형의 데이터에 중점을 둡니다. 첫 번째 유형은 공장 출고 시간, 제조업체, 두 번째 유형과 같은 장비의 기본 정보입니다. 유형은 결함의 이름, 상위 및 하위와 같은 결함입니다. 어떤 결함이 발생하는지, 어떤 유형의 결함이 어떤 종류의 결함을 유발하는지 등과 같은 세 번째 범주는 어떤 결함이 발생했는지 설명하는 작업 주문입니다. 무슨 장비. 이 세 가지 유형의 데이터를 연결함으로써 작은 폐루프 그래프를 구성할 수 있습니다. 향후에는 동적 데이터를 기반으로 확장도 가능합니다. 따라서 그래프를 만들 때 우리는 폐쇄 루프 장면을 사용하여 작고 아름다운 그래프를 만드는 것을 선호합니다. 맹목적으로 높은 규모를 추구하는 지도는 아니지만 소비자의 요구를 충족시키지 못하는 지도입니다.

따라서 산업 지식 그래프를 구축할 때 더 나은 구현 및 적용을 달성하려면 특정 시나리오에서 시작하여 시나리오 요구 사항을 분석하여 그래프를 구축해야 합니다.