推理：释放数据全部价值以实现更明智决策

利用知识图谱的推理能力，组织可外推新数据连接并解释其创建的任何新连接。

数字化转型风靡一时，在大多数情况下，目标是将数据视为资产。某些情况下意味着数据变现，其他情况下目标是更高效利用数据衍生洞察以做更好决策。然而现实中两者都难达成。数字化转型要求从日益混合、多变、变化的数据中快速获取洞察，但传统数据集成平台未为今时今日环境设计。结果，组织无法再跟上数据日益增长的复杂性，也无法识别数据间隐藏关系和连接以发掘新机遇。越来越需要的是一种推理能力，允许公司汇聚不同数据集并分析以衍生洞察。

在永无止境的数据捕获复杂世界中，驱动增长和创新只有当IT团队能摆脱僵化数据结构和过时集成风格时才可能。

敏捷性是商业成功关键，企业渴望在关键时刻让数据可用，而非为了明天或下周的答案，而是为了现在。

但挖掘未开发价值需要基于业务含义连接数据的能力，无论格式、来源或底层技术。源自机器学习和其他来源的海量数据要求关联存储在不同来源的相关信息，并应用丰富关系网发现新关联。这是实现数字化转型承诺的关键。但如何达成？

从前提到逻辑后果：数据织构如何提供所需推理

组织今天采用现代集成方法如数据织构为跨职能项目和产品赋能、逃离被动工作流。将内部孤岛和外部来源数据编织在一起，它们创建信息网络为业务应用、AI和分析赋能。简单说，它们通过创建存储在不同来源信息间的连接，支持当今复杂企业的全广度。

知识图谱是有效数据织构不可或缺部分，因为它们创建可复用信息网络、表示各种结构数据、支持多模式。创建企业和第三方数据的语义理解，知识图谱作为数据织构核心——丰富和加速现有投资、提供关键业务洞察访问。更重要的是，知识图谱将数据转化为机器可理解的现实世界知识，支持情境变化，含义随环境改变。一旦建立，知识图谱也利用这丰富关系网在数据中发现新关联。这些推理关系创建企业数据更丰富、更准确视图。

通过提供概念间分层关联，知识图谱提供细微理解，使知识驱动组织能识别新发现。它们还提供数据中常缺失的上下文，因为知识图谱专为支持知识波动本质而构建。结果是数字化运营更灵活基础，技术轻松接受新数据、定义和需求。

知识图谱的数据模型，常称本体或词汇表，阐述实体间通用关系，允许公司描述复杂领域。以医药为例。开发新疗法，制药公司必须获取多重事实、建模构造和业务规则，所有这些必须相互作用以暗示新连接。这种推理能力使制造商能通过应用将人员链接到基础设施。也帮助基于新事件与过往事件相似性应用控制，并基于研究中调查条件找到研究者与治疗领域间推理链接。不胜枚举。

同时对数据织构应用多个数据模型使组织能支持需同一数据不同解释的多个应用。传统数据集成方法如数据湖或数据仓库在这方面受限，因难以支持多模式。这是企业不得不为每个新应用、项目或分析持续创建新数据孤岛的原因之一。这种方法降低执行推理分析能力。

赋能互联企业——成功数据织构的额外组件

利用知识图谱推理能力，组织不仅外推新数据连接，还解释其创建的任何新连接。与无法为结果提供任何解释或基本原理的黑盒推荐系统不同，知识图谱能按数据、模式和业务规则解释所有推理和结果。这种解释透明度不仅对组织内提供可信结果和问责制至关重要，也满足某些法律法规要求。

虽然知识图谱是数据织构关键成分，但不是组织成功所需唯一东西。有效数据织构要求利用和连接现有源系统。也要求连接现有数据目录、数据湖、数据库和其他数据管理平台。数据织构部署中，利用数据目录完成的工作是加速数据发现和语义丰富的关键。使用数据目录作为输入，知识图谱构建企业数据资产数据图谱，通过部分自动化学习和现有源自动映射进一步加速数据织构创建。

创建企业级数据模型是部署数据织构常见问题。许多人认为这可能是昂贵耗时的先决条件，但现实中他们只需为初始用例定义所需概念数量。通过识别关键业务问题引领更广泛数据织构举措。以MVP心态对待数据织构，仅聚焦完成首个业务目标所需最小工作量。

各规模组织对数字化转型给予更大关注和投资。尽管关注度提升，基本数据挑战仍是主要障碍。数字化转型要求数据掌控，但因IT遗留问题非易事。要管理的东西太多：数据格式、标准、数据类型、速率、模式、系统、数据库、孤岛、方法论、模型等。现代企业IT景观的纯粹多样性令人生畏。

利用知识图谱现代方法，组织不仅能以有意义新方式连接内部数据孤岛，还能通过推理大规模发现原本无法捕捉的隐藏事实和关系。通过捕捉不同业务单元对同一实体可能拥有的细微含义，组织可创建可复用数字化基础，跟上市场持续变化，为未来做好准备。