助力企业数字化转型，知识图谱为应用而生｜爱分析报告(13)

算法模型则是支撑知识图谱自动化应用的核心，算法模型涵盖知识图谱构建的全流程工作，从最开始的数据治理到最终的应用查询，是知识图谱厂商技术实力与行业Know-How能力的体现。数据与算法模型的配合应用支撑知识图谱的行业落地。

2.4.3 知识图谱技术落地挑战
实际应用过程中，知识图谱在落地中会出现很多挑战与困难，而其实知识图谱落地出现的困难正是由于厂商与用户在构建“一核两翼”能力过程中出现问题，典型挑战与困难可以归纳为“数据不精、业务不专、技术不强、配合不畅”。
数据不精：问题的核心是在部分信息化发展较缓慢的行业，行业数据整体治理水平较差，甚至部分关键数据仍未进行有效管控，需要知识图谱厂商进行合理的规划建设；但知识图谱厂商并非数据中台厂商，知识图谱厂商更强调基于有效的数据进行上层应用的建设。对于海量数据的治理工作能力有限，造成项目工期延长或适当降低项目功能预期等情况。随着各行业信息化以及数字化建设的推广，数据中台产品也将得到较好的推广，未来基于数据中台产品之上进行知识图谱建设，将有效的缓解数据不精的问题；
业务不专：业务不专的核心在于厂商理解用户需求，寻找知识图谱与业务的结合点，有效的赋能业务场景。前面几节已经多次强调业务专家以及行业知识对于知识图谱搭建的重要性；
知识图谱schema的设计是需要业务专家的深度参与。由于不同行业、不同领域对于知识的需求天差万别，所以很难出现跨行业通用的知识图谱搭建工具。同时，知识图谱的搭建过程本身也是一个行业知识的封装过程，只有业务专家的参与，才能更好的形成真实契合行业需求的知识图谱；
技术不强：知识图谱在应用的过程中，针对算法模型的封装、智能推理、搜索推荐、智能问答等多应用环节都存在一定的技术壁垒。同时，由于不同行业场景的需求不同，知识图谱普遍在各行业落地过程中存在较大的定制工作量，需要厂商不断的积累产品能力才能提高产品率，降低定制量；