知識圖譜（Knowledge Graph）的定義為何？

知識圖譜的潛在價值為何？

出於KG（Knowledge Graph）本身能夠很直覺的將不同來源的資料以關係式的方法結構化，當前知識圖譜的主要應用聚焦在Metadata或是Taxonomy這一類中的數據管理模式上，不過僅是這一特性，就能夠支撐整個組織在分享、搜尋、以及分析等活動的落實，並且孕育出無數個種應用。

在零售業中，知識圖譜可以應用在產品的資料庫當中，並以此為基準，去做相關產品在電商平台上的推薦機制。

在金融業中，KG也能將來自KYC、Due Diligence、投資評估、受保物件或受保人等數據中，以知識圖譜的方式儲存，並且在各種不同的使用案例中應用，最為常見的應用案例包含風險評估、法遵、異常行為偵測、投資組合商品推薦機制等。

驅動因素有哪些？

KG在近年來得到了非常多的討論，不過是否知識圖譜能夠進一步的普及成為許多資料庫的基礎，去支撐運營、機器學習、以及其他IT需求，將取決於以下的幾種動因要素：

• KG在既有基礎上的突破，抑或是新的KG架構將會進一步優化該技術的指標，譬如像是速度、可依賴性、公式化、規模化等等。 譬如這兩年比較受討論的EEA, Embedding-based Entity Alignment 就因為其在速度上的突破而受到許多關注，雖然在與其他第三方資訊的串接上仍然有規模化的問題。
• 隨著技術逐漸穩定，再加上全球各個領域都因為IoT等技術的蓬勃發展，而需要處理越來越複雜、且量越來越大的數據，在這樣的一個趨勢之下，KG這種直覺性且有非常好的可規模化的基礎的資料結構，也在各個領域受到關注與研究，甚至是領先企業的導入。
• 基於機器學習等領域在處理非結構化數據的需求， 知識圖譜也提供了卓越的優勢在這一領域上，支撐機構處理文件、圖像、以及影像等數據類型，以及這當中之間的關聯性。
• Web3技術的採納也進一步的讓去中心化的資料庫受到關注，而這進一步的驅動了去中心化的知識圖譜（DKG, Decentralized Knowledge Graph）的發展。

阻礙有哪些？

• 雖然知識圖譜承載著許多商業價值，不過對於絕大多數的企業來說，相對於既有的資料庫管理方式其所提供的額外價值並不大，故此也讓這項技術雖然逐漸的被技術單位意識，但仍然無法在短期普及。
• 相對於已經在IT領域上有數十年的歷史的關聯式資料庫，知識圖譜在IT領域上不到五年的發展使其仍有各個面向尚不成熟，企業不僅需要從頭到尾的去建立起系統整合的模組以支援各個不同IT系統的相容，其在架構、治理、以及維護上都需要相關的IT技術，故此對於大多數企業來說是一個極大的限制因素。