在通用电气研究中心工作的10年中，我们创新了GE的所有业务，以提高客户的影响力。我了解了将客户问题与技术相匹配的微妙平衡。当业务专家描述挑战并且辩论技术上不同的专家（每个代表不同的技术）时，这种方法就行得通。多样性是关键；否则，您最终将只能用锤子（最喜欢的技术解决方案）将其应用于指甲（眼前的业务问题）。今天，我们有两个受到关注的重锤：人工智能（AI）和区块链。在本文中，我将描述这两种技术的关键方面，它们可以帮助您确定它们是否适合客户问题。由于人工智能是一门非常广泛的学科，因此让我们关注知识表示，尤其是知识图，它已成为许多人工智能解决方案中数据表示的基础层。最近，我有机会与来自亚马逊，Uber，Wells Fargo等公司的学术和行业专家一起参加了在哥伦比亚大学举行的知识图谱会议。对于AI），这一事实变得显而易见。现有的，定义明确的和填充的知识图谱对公司很有价值。知识图的挑战是如何开发和维护知识图。具体而言，很难为图形定义正确的结构并将有价值的数据放入其中。这可以被描述为“本体论问题”。本体是图结构的定义，就像描述所有关键概念和关系的数据库架构一样。不良的本体定义将使很难将数据放入图形中，而不良的本体定义也将使访问数据变得非常痛苦。解决本体问题通常需要一小组训练有素的本体学家，分类学家或信息科学家。换句话说，需要一个集中的小组来定义和维护知识图结构的质量。这种集中通常意味着知识图的结束。在这种情况下，公司（除非其业务是知识图，例如Google或Microsoft）将集中化视为失败的临界点，而将特定的技能要求视为风险。通常情况下，会创建知识图，但是一段时间后，知识图将不再维护，不再使用且不再存在。那么，如何解决本体问题呢？多亏了比特币和区块链（有关详细信息，请参见下文），分布式技术的概念变得越来越流行。我最近看到了两种通过分布式方法解决本体问题的方法。第一种方法（也许并不那么令人惊讶）是保持本体非常简单并且非常专注于领域，同时使知识图的价值来自知识的分布式创建。我的通用电气联合负责人开发的分析建模工具就是一个例子。该工具的一部分是基于云的分析和创作环境，专用于创建工业数字孪生模型，第二部分是知识图和助手，用于捕获相关资产，数字孪生和用户操作以提供信息。基于资产和现有模型。或其他可能对“新用户”感兴趣的新用户在他们目前的运营中。知识图中的本体非常简单：其价值来自于用户创建知识并通过其操作将其添加到用户中-他们对幕后发生的事情没有任何特定的了解。在平台上工作的用户越多，他们使用知识图推荐的机会就越多。使用的分析模型越多，知识图就越丰富。该工具的成功不依赖于本体论问题，而是转移到用户活动和有用知识的创造上。我看到的解决知识图谱和人工智能本体问题的第二种创新方法是通过较小的一组分布式知识图谱来构建它。这是两个例子。第一种是使用通用标准，在这种情况下，是万维网联盟的语义网。借助数十亿个事实，语义网络通过成千上万个实体的分布式贡献而构成了一个庞大的知识图。其次，类似于基于标准的方法（分布式微服务的创建和集成），每个服务都提供一些小的本体和数据或计算，这可以促进知识图的生成。您需要一个平台来理解微服务的定义，就像Facebook发布的GraphQL定义一样，并获得成长中的GraphQL Foundation的支持。通过微服务的聚合，知识图的成功和价值取决于平台支持的同一商品：t