知識圖譜架構讓企業擁有其創造的AI智慧

知識圖譜架構已從學術概念階段走向生產基礎設施階段，那些以正確方式塑造它的企業將擁有其AI所創造的智慧。這是Thumos Care創始人兼上下文架構師Shan Rizvi向仍將AI檢索視為搜尋問題的從業者提出的核心觀點。

Rizvi指出，檢索增強生成（RAG）能夠找到文本塊，但它無法進行推理，無法將決策追溯至證據，也無法隨時間積累知識。理解這一點的組織與不理解的組織之間的鴻溝，將成為智慧體時代最具決定性的競爭分界線之一。

在訪談中，Rizvi以一家為卡車零部件維護構建AI的初創公司為例，說明了知識圖譜的優勢。該系統需要查詢滿足多個條件的製造商生產的給定零部件的所有替代品。搜尋在處理數百萬SKU的大規模關係路徑跟蹤時存在困難，而知識圖譜能原生處理這類問題，並遞迴地在不同路徑中重複遍歷，直到找到最佳答案。這模擬了人類推理的方式，而非歷史上資訊檢索的工程方式。

Rizvi強調，在生產部署中，首要考慮因素是延遲。他使用Neo4j為Thumos Care構建醫療知識圖譜——連線疾病、症狀、藥物和臨床指南——發現並非所有圖資料庫平臺都能可靠處理數百萬節點。遞迴推理應僅在必要時使用，更快的單跳檢索處理簡單查詢，以保持生產中的響應時間。

關於資料基礎設施，Rizvi明確區分了哪些應放入圖資料庫，哪些不應。具有頻繁變更資料的結構化傳統資料庫應保留在原生系統中，僅在圖中表示其本體結構，以便智慧體知道何時查詢什麼。像Slack訊息、會議記錄和聊天日誌這類非結構化資料來源更適合直接提取並攝入圖中，因為它們的情境含義可以保留，並隨時間與領域實體關聯。

“如果你想在智慧生態系統中擁有一部分，你所擁有的部分必須被視為智慧，而非資料，”Rizvi說，“你需要為你的領域、知識、認知和決策建立一個本體，只要擁有這些元件，你的模型就會隨著使用頻率增加而變得更好，你將擁有那個價值。”