圖數據庫專家Neo4j的 Maya Natarajan描述了如何使用基于知識圖的數字孿生技術來更好地管理供應鏈。

　　越來越多的首席信息官 (CIO) 看到了數字孿生的潛力。數字孿生正在真實世界資產的軟件中創(chuàng)建虛擬、高度詳細和忠實的復制品，例如工廠或城市的一部分。

　　然而，許多 CIO 都在努力優(yōu)化復雜的供應鏈，尤其是目前。我們的世界已經受到大流行的打擊，面臨地緣政治緊張局勢，這給緊密相連但脆弱的供應鏈帶來了巨大壓力。好消息是，知識圖譜和數字孿生技術形式的技術可以提供對供應鏈優(yōu)化的見解。

　　知識圖譜已經存在了將近 50 年。他們主要在學術界憔悴，直到 2012 年，谷歌宣布在其搜索引擎背后使用知識圖譜。從那時起，分析、數據科學、機器學習和人工智能 (AI) 的融合產生了對知識圖譜的需求。這是因為他們有能力使這些技術中的每一種都更好、更智能、更具預測性。

　　最基本的知識圖譜是一個相互關聯(lián)的數據集，富含意義或語義。它允許其用戶推理基礎數據并將其用于復雜的決策。

　　知識圖之所以有效，是因為它們的圖數據庫模式。原因在于 SQL 和關系在支持查詢方面的固有局限性。

　　這也取決于您要在供應鏈環(huán)境中使用的數據的特定形狀。

　　從大數據到小而廣的數據？

　　當今世界的數據有各種形式和大小，但 CIO 發(fā)現擁有最深刻洞察力的數據絕非易事。包含最深刻見解的數據是復雜的、相互關聯(lián)的，并且可以是深度分層和遞歸的。事實上，100 次中有 99 次是隱藏的。在大流行之前，我們曾經談論過大數據。現在，轉向了 Gartner 所稱的“小型和廣泛”數據。小而寬的數據提供了更多的上下文，尤其是對于機器學習程序，這就是我們需要解決的問題。

　　事實是 Small and Wide 無法用傳統(tǒng)技術進行分析。當這樣復雜的數據被攝取到屬性圖存儲中時，數據之間的關系被編碼。這些關系為數據提供了第一級上下文。在圖表中，這種“動態(tài)上下文”意味著圖表會隨著新信息的動態(tài)添加而增長并變得越來越豐富。

　　對于知識圖譜，從存儲中讀取關系并查詢圖就像遍歷圖一樣簡單。團隊可以添加第三個元素，語義，以獲得完整的知識圖，以及算法和其他工具。事實是，使用圖形技術創(chuàng)建豐富的、反應性的復雜性表示非常容易，就像供應鏈的數字孿生一樣。

　　大流行加劇了供應鏈缺乏可見性，但也很難獲得對供應鏈的完全可見性，因為它們是復雜的多維連接的數字網絡。因此，它們只能真正建模為知識圖譜。這是連接從材料到產品、工廠到配送中心和運輸的所有方面的最佳工具。知識圖提供了上下文，因此可以整體地做出決策，同時考慮到許多相互關聯(lián)的依賴關系。

　　用于更好地管理供應鏈的數字孿生知識圖將數據整合在一起并創(chuàng)建連接的虛擬供應鏈。它使管理人員能夠更好地組織、分析和可視化他們的數據。管理人員可以對供應鏈中的所有產品、供應商和設施，以及它們之間的關系，獲得可追蹤且深入的了解。

　　電廠管理

　　Tata Consulting 的 TCS IP2 電廠管理 SaaS 服務通過采用由知識圖推動的數字孿生服務得到了極大的增強，幫助其客戶減少了 9% 的排放，降低了燃料利用率，并獲得了 600 萬美元（5.47 歐元）萬）每年的運營節(jié)省。這只是一個例子。

　　還有其他一些知識圖譜的例子同樣可以明顯地提升底線。將供應鏈或制造數字孿生放入圖表中，可以讓您在從石油和天然氣行業(yè)到全國零售分銷的所有領域都獲得真實世界的保真度。

　　復雜數據自然建模為知識圖譜

　　從物流和運營，一直到營銷銷售和服務，復雜供應鏈用例的數字孿生戰(zhàn)爭已經在發(fā)生。

　　如果您正在構建供應鏈數字孿生模型，則應將其建模為知識圖譜。這是因為您想要捕獲的復雜數據供應鏈自然而然地更容易建模為知識圖譜。為了達成交易，知識圖譜提供了構建、管理和查詢企業(yè)級數字孿生模型所需的靈活性、性能和分析能力。