再炫酷的AI技术，如果不能落地，那就如同一场幻梦，无法兑现价值。因此，竹间智能始终致力于AI的规模化、商业化、创新化落地，并明确将认知智能和情感智能作为落地的两大重要推手，使其融合进旗下核心产品，形成关键驱动力。

Bot Factory对话式AI平台，便结合了认知计算与情感计算，可以识别文本及语音中的情绪，为每一次人机交互都注入温度。

另一旗舰产品Gemini知识工程平台则主要基于认知计算建成，具备认知能力，可打造企业级的知识工厂Knowledge Factory，将重要的文档资料进行结构化处理，进而自动构建知识图谱，建立智能化知识管理系统，最大化解锁尘封的知识资产，并将其应用到产品研发、生产、营销、运营、服务等各大业务环节。

▲点击视频了解Gemini平台为何与众不同

在抵达认知智能这一高级阶段的路上，知识图谱的重要性已毋庸讳言。在商业落地方面，它同样是一大重器。

虽然现在可为企业打造知识图谱的AI厂商不在少数，然而拥有自动构建知识图谱能力的，却是凤毛麟角。Gemini知识工程平台不仅可以实现这一点，还能与竹间其他平台无缝对接，从原始文档自动生成知识图谱，到对话机器人自动回答，仅需一小时。

凭借该平台，竹间为各行业企业提供解决方案，涵盖智能搜索、竞品分析、贷款申请表审核、反欺诈、论文查重、实时舆情分析等场景。

说到这，很多人不免好奇：Gemini究竟如何将千头万绪的数据“编织”成一幅井然有序的知识图谱？今天我们就为大家简明扼要地科普一下核心构建流程，聊一聊原始数据怎样转化为知识图谱，而后知识图谱又可以催生哪些美妙的应用。在步入正题之前，我们最好先从企业面对浩繁数据时的无力感说起。

企业在日常运营中会逐步囤积起海量的多源异构数据，仅以制造业为例，就包括仪器检修手册、仪器采购标准、仪器运行数据记录、产品销售与退回记录、消费者反馈等等。

而且，这些数据往往散落各方，可能存在企业SaaS云平台上，或者位于各分支部门的数据库中，或者被业务人员放进自己的文档共享云里，真如恒河沙粒，数不胜数。

一位来竹间智能咨询的跨国集团中层人士诉苦道：

另一位来自医疗器械公司的管理者提出：

在过去，多数公司都是手动录入数据到数据库，等需要的时候再用SQL去查询，或者用表格+SAP的方式维护关键信息。

这样的“二维表”模式，造成了数据的大量重复存储。而不同业务部门的数据存储呈割裂之势，也导致了数据的孤立，不能让管理者和设计者及时发现数据背后的规律与发生模式。

对此，竹间智能在Gemini知识工程平台中，引入了数据转化工具、数据仓库、图谱文本抽取（NER与关系抽取）、知识建模本体Ontology、图谱可视化搜索与图算法分析，汇总呈现所有数据，让其作为点和边组成一张庞大的知识语义网络，打通了从数据中抽取知识、利用知识到挖掘价值的整条链路。

为了清洗转化及合并各类数据，竹间自建了一个结合数据转化工具与数据仓库的数据挖掘平台。而传统数据转化工具主要实现的是数据拆分、合并、清洗等功能，担当的是“数据专家”的角色。

为了降低使用门槛，我们在数据转化工具画布中预定义了众多参数，方便非专业人士快速创建自己的“数据流”以进行预处理。

▲零/低代码创建文本工作流，直观展现流程

此外，在Gemini平台的数据转化工具中，我们加入了带着竹间最强基因的多种NLP 算法，例如聚类、字段抽取、自然语言数据自动增强等等，让算法模型触手可及。如此一来，操作人员不用具备开发背景，只需把算法节点拖进画布，连接数据源，就可以运行了。

接下来，就得由业务专家在知识建模本体Ontology画布中定义业务模型了。

想建立业务模型，应重点考虑四个元素——概念、事件、属性、关系。对具体业务，可以将其转变成抽象概念，这样就可以用概念的属性来代表业务的属性了。业务概念与业务概念之间，需通过定义关系来进行连接。

举个例子，在电商场景中，用户购买了某个产品，这个动作就可以形成一个微型的业务模型，“用户”是一个概念节点，“产品”是一个概念节点，“购买”这个动作是连接他们的关系，而“购买”本身也会有属性，比如“ 购买时间”、“购买动机”等等。

▲对消费品企业融资新闻报道的抽取

定义好业务模型之后，我们就可以把上一步数据处理流的“最终产物”，即处理妥当的数据池，连接到业务模型，如此便促成了从数据库到图谱的数据流动。

数据导入图谱之后，该轮到NER（命名实体识别）发力了。Gemini平台的NER模块已经储备了相当一部分常识性概念，如中国城市、中国手机号码、中国大学、银行卡号等等。

但是我们发现，在不一样的语境中，很多看似相同的指称可能有着截然不同的意义，比如“NLP”一词，在计算机科学中表示“自然语言处理”，但是在心理学中却意味着“心理疗法”。

所以，我们允许用户在建立业务模型后，基于模型内的概念，对实际数据开展标注训练，然后用模型在文档中跑一遍，就可以把其中所有符合模型的实体都识别并抽取出来，存入图谱，形成众多节点，进而聚集成知识树。

▲NER序列标注模型

若想掌握知识之间的关系，或者说实体之间的关系，那必须要做好关系抽取。

在长文本处理过程中，用NER搭配关系抽取，能够细粒度地拆解数据，方便后期迅速且精准地对知识进行推理和搜索。比如，我们来看下面这句话：

米拉出生于1997年，就职于竹间智能

Gemini平台“读”过这句话后，可识别出“米拉”是人名，“1997年”是时间-年份，“竹间智能”是机构名称，再运行关系抽取算法，可拆解出“米拉”和“1997年”之间的关系是“出生于”，“米拉”和“竹间智能”之间的关系是“就职于”。

经过上述四个步骤，知识图谱的“初稿”就火热出炉了，现在已可以在数据管理界面查看成功实现结构化的全部数据。这不光是看起来炫酷，有了这些结构化数据作为基础，便能衍生出众多神奇应用，特别是在知识搜索和推理这两个方面，图谱都表现出惊人的能力与潜力。

▲基于图神经网络的知识推理

传统的搜索根据关键词来分解问题，然后从后台链接里找到匹配关键字的内容。但是，基于Gemini平台的知识图谱搜索可以更进一步。

使用者除了输入关键词，也能输入句子，就像日常对话一样，用自然的方式提问，对此，系统不仅会显示所有相关文档，还能直接反馈准确的答案，更可举一反三，围绕当前答案给出拓展信息，让使用者获得更多关联性知识。

▲智能搜索有助于追溯重大事件的起因

图算法指的是利用特制的线条算图求得答案的一种算法。我们对一些在反欺诈和反洗钱领域常用的图算法，如Page rank、Tarjan、Kosaraju，实行了逻辑封装，由此，使用者只需要在知识图谱中框定某个范围，针对这部分特定的数据，设置相关参数，再运行对应的图算法，即可看穿草蛇灰线，洞察洗钱路径或犯罪团伙成员等重大隐秘信息，帮企业大大降低风险，更可为社会、经济安全筑起一道保护墙。

▲揭开洗钱团伙真面目的模型

背景：一提起“事故”，所有的企业肯定都避之不及，而由于人员操作不当所引发的人祸型事故，更堪称是企业的心腹之患。正因此，某家大型能源互联网企业与竹间智能合作，希望借AI之势，将风险与损失降到最低。

痛点：原本，该企业有心将散落在不同系统中的安全类数据及资料，包括作业计划、违章记录、事故案例、安全规程等，进行统一采集和汇编，深层次挖掘其价值，无奈的是，缺乏相应的技术手段，光靠人力远远达不到理想效果，成本还贵得离谱。

解法：竹间利用Gemini平台打造的方案赢得了对方的青睐。它可从巨量非结构化数据中自动采编、解析、抽取关键信息，构建安全管控的知识图谱，为违章判别、事故原因分析、风险隐患关联等工作提供辅助决策支持。同时，它还能建起知识门户，统一完成智能搜索、管理和应用，实现事前预警、事中处置、事后总结的端到端闭环，化危机为转机。

迄今为止，无论企业客户还是研究机构，对于Gemini平台都给出了不俗评价。就在九月份，点评网站“字母点评”根据企业各级使用者的真实反馈，将Gemini选入“2021·最佳知识图谱平台TOP10”榜单。同期，在中国社会科学院信息化研究中心、中国科学院《互联网周刊》、eNet研究院等单位主办的论坛上，Gemini又赢得了“2021认知智能创新产品奖”。奖项接踵而至，源于千锤百炼的实力。（详情请见下方“精彩推荐”中《荣誉墙 | 双榜提名！Gemini知识工程平台获赞！》一文）