最近几年来，许多企业都开始注重发展大数据分析技术。位于财富榜前500的公司开始注入数百亿美元来创建数据湖和投资到大型大数据项目中来扩大公司数据库。大部分的分析提案只能在公司部门内被使用，并没有真正的为宏观的企业盈利带来积极的影响。
       这种从各企业收集数据并将数据整合在一个地方的数据的方法，方便数据学家以后能从中挖掘出真知灼见并发现真正的答案，但这种方法并没有带来可测量的投资回报率。
       如今，最先进的企业正在从以数据为中心的技术转型，并通过数字知识技术来推动创新和优化。这一技术超越了数据分析并且能够捕获并建模业务流程、资产和组织和互连之间的复杂关系。
       通用电气(GE)、雪佛龙(Chevron)、马士基(Maersk)和壳牌（Shell)等《财富》(Fortune) 500强企业中最具创新性的企业，利用数字知识技术，加速了从5年到2年的数字转型。这些工业巨头总是走在创新的前沿，引领各自行业的发展趋势。他们正在推动整个企业的数字化转型，不懈地致力于优化运营各个方面的每一项资产和流程。为了实现他们的目标，这些公司采用了数字知识技术，它采用以知识为中心的方法，而不是以数据为中心的方法。这种独特的方法称为数字知识技术，它使企业能够很容易地将跨越竖井的人力专长和数据转换为数字知识，从而为资产和工作流的操作提供持续的、可操作的建议—加速资产和流程优化的价值实现时间。使用数字知识技术，GE、Maersk和Shell正在解决他们最棘手的优化挑战，其速度是任何其他技术的3到10倍，并在两年内完成一个完整的数字转换，而目前的解决方案需要5年。那么，为什么这些工业巨头会转向数字知识技术呢?它是如何工作的?是什么创新使得数字知识平台在几个月内产生了更大的利润。

数字知识平台，以加快专业能力
       数字知识技术将来自各个部门的人类经验和数据转化为数字知识，以便员工做出更好、更快的决策。数字知识是一个模型网络，为企业的关键决策流程提供连续的、可操作的建议。数字知识技术与算法相结合，加速从数据筒仓和信息源中提取知识，以揭示在优化资产或流程的上下文中的关系。以模型的形式表示知识，知识图谱是为优化特定资产和工作流而开发的模型网络。数字知识平台使能够快速构建模型，以回答复杂的问题，并提取所需的信息，以了解整个组织中的业务流程和资产之间的关系和相互依赖关系。这些模型表示主题问题专家(SMEs)和数据科学家可以一起推理的概念、实体、属性和关系。
       知识图谱的灵活性使整个组织中的组能够利用并构建初始的知识图谱，从而加速了数百个迭代协作模型的开发。随着更多的知识模型被创建，知识图谱会扩展，并且时间-价值转换的速度会更快。所有的模型都是动态的，所以一旦它们被操作化为业务线应用程序，它们就会根据用户行为进行学习和调整，为日常操作提供持续的智能。
       数字知识平台包括一组复杂的人工智能(AI)算法，使主题专家能够快速创建模型，以更快地做出决策。数字知识技术的人工智能方法与传统的大数据截然不同。我们从问题开始，以一个精确问题的形式，作为一系列相互联系和可重用的数学模型的基础。这些模型通过捕获业务概念之间观察到的和感知到的关系来回答精确的问题。
       数字知识技术的人工智能算法采用“用户引导、机器辅助”的范式，以知识助手的形式使用人工智能。这些知识助手使用户能够在他们的人工指导下，建立、连接并从各种知识来源中找到相似之处。数字知识技术的人工智能算法通过在几分钟内分析数亿数据来加速回答复杂问题，这是人类不可能做到的。然后提供一些建议，比如识别有类似症状的患者，或者在庞大的比特币虚拟货币网络中发现欺诈行为。
       数字知识技术使企业能够将见解转化为建议，并将其嵌入到业务线应用程序中，从而使成千上万的员工能够做出更明智的日常决策。这种运作化的结果形成了一个反馈循环，为执行人员提供了对数字知识技术对业务及其KPI的影响的理解。这就是为什么世界上最大的工业公司，如通用电气、雪佛龙、壳牌和马士基，正在利用数字知识技术以比任何技术快3到10倍的速度优化资产和流程，并在数字转型中引领他们的行业。这些结果不言自明，并转化为数亿美元的利润增长。

客户案例研究

       为了更好地理解数字知识技术的商业价值—以及数字知识技术的潜力—提供了以下来自财富50强公司的一个案例研究。这些客户都在通过部署数字知识技术来推动整个组织的数字化转型，这些部署正在转化为数亿美元的利润增长。

案例一：共享知识以降低石油腐蚀风险
       提炼原油制成商品的后阶段涉及许多潜在的风险,从设备问题到计划外停机。一家全球财富10强的石油和天然气公司的腐蚀工程师收集了大量关于精炼过程的知识(例如，原油的化学成分，不同类型的原油如何对不同的环境做出反应，以及如何处理原油以避免腐蚀)。但该公司很难捕捉到他们的见解，并与全球各地的原油工程师分享有限的知识共享的影响是显著且昂贵的。例如，腐蚀工程师有望减轻与不同种类原油相关的风险。但是当他们遇到一种他们所知甚少的新型原油时，他们无法进行适当的评估，这就导致了生产力的损失。这也是有问题的，因为一些种类的原油会引起额外的维护问题，导致昂贵的计划外停机和腐蚀失效。
       为了解决这个问题,该公司使用了数字知识技术,爬行和索引多个非结构化数据源,包括炼油厂事件报告(例如：word文档和pdf文档的形式), 包含原油类型的物理性能和事故特性的数据以及炼油厂人口统计等。然后，他们用数字知识技术构建了一个自定义应用程序(或知识库)。他们利用平台的自然语言处理能力来捕获从以前的工程师那里收集到的知识，并将其聚合到一个位置。
       现在，现场工程师可以很容易地访问和使用这个知识库来识别他们正在处理的原油类型，并了解如何有效地处理它们。使用该应用程序直观的用户界面，腐蚀工程师可以很容易地搜索特定的原油，并发现与它相关的所有相关信息，包括风险、经验教训和风险缓解策略。
       数字知识图谱捕获了所有腐蚀工程师使用的专家的专业知识。使用存储在知识图谱中的各种模型，公司的工程师可以做出减少维护成本和意外停机的决策。这个可重用资产现在在整个组织中被利用，以快速地为整个企业中十多个优化计划建立额外的模型——例如，围绕工作安全分析(以减轻风险)、地震活动分析(以了解环境影响)和事件报告(以帮助自动化这个过程)。