商业模式相关

    商业模式是通过协调关系，利用资源，获得价值和利益，将这些内容连接起来，从而形成一种企业满足消费者需求的动态系统。一种商业模式包含的要素很多导致商业模式的种类也很多，但一个好的商业模式应具有自身的、别人不能复制的优势。对于知识图谱领域的创业公司，其在商业模式主要为以定制化解决方案的形式与金融、医疗、工业等领域的客户进行深度绑定，建设知识图谱并积累与客户磨合中的行业经验，不断完善和提高所建立知识图谱的广度与深度，逐步建立技术壁垒并完成项目交付。

    对于部分行业而言，知识图谱建设主要通过知识工具，提高研究过程和形成决策过程的效率，并不能带来直接的收入增长或者成本下降，也无法直接给企业指明解决问题的具体办法。这导致知识图谱应用无法像自然语言处理、计算机视觉等人工智能技术解决直观的明确目标，得到快速部署于应用，一定程度影响了客户的付费意愿。此外，在客户内部所需知识图谱构建过程中，往往需要技术提供方跟客户进行深度沟通，在综合考虑客户的需求及实施路径基础上完成整体项目，企业成本往往随着项目的增多而呈现线性增长，进而对企业的收入造成影响。

    客户建设知识图谱项目倾向于优化决策，其中的知识信息需求与服务需求较为定制化严重。目前，尽管有部分公司通过销售知识图谱标准化模块的形式试图获得更快的发展，但标准化的模块很难全面满足客户需求，一定程度上限制了模块的开发与推广。而且，当前企业对知识图谱项目建设周期及准确率均有较高要求，在构建过程中仍需要较多的人工干预以达到项目预期效果。未来，如何实现标准化模块与非标准化模块或组件间的协同开发与应用将是企业实现大规模知识图谱快速部署与应用的一大挑战。

    知识图谱构建需要建立在大量数据的基础之上，不可避免地涉及到个人信息的合理使用问题。而且，实施方基于知识图谱可以很容易地导出数据被采集者不愿意泄露的隐私，例如从公共数据中推导出私人信息，从个人信息中推导出和个人有 关的其他人员（如朋友、亲人、同事）信息（在线行为、人际关系等）。未来随着法律法规的不断完善，个人隐私将得到更有力的保护，如何在数据正当获取与个人隐私保护中取得平衡，并降低拟开放数据中人工审慎与判断强度，将是知识图谱商业化发展的一大难点。

人才相关

    根据腾讯研究院和BOSS直聘联合发布的《全球人工智能人才白皮书》显示，全球AI领域的人才约30万，而市场需求在百万级。全球每年毕业于AI领域的高校学生约2万人，远远不能满足市场对人才的需求。然而，知识图谱跟行业的结合是非常紧密的，还需要领域专家一起合作构建垂直领域的知识图谱，因此对人才的提出了更高的要求和挑战。

    《2017年中美人工智能创投现状与趋势研究报告》指出，目前我国人工智能的人才培养已成为一个关键问题，人才缺失可能会对未来AI产业发展产生牵制作用。在美国国家科技委员会发布的2017年人工智能全球大学排名中，前50 名均位于欧美地区，我国的大学无一上榜。而且，我国缺乏人工智能与传统行业的跨界人才，不利于AI在各垂直行业的应用推广。同时，知识图谱的应用还处于探索阶段，没有成熟的系统可以借鉴，也没有经验丰富人才的储备，开发人员更多需要具备快速的学习和业务场景理解能力，结合用户场景和技术实现的难易程度，以较低的成本快速交付。

    知识图谱的应用不仅仅是一套算法，而是包括知识获取、知识提取、知识表示、知识存储、知识融合、知识推理、知识检索、知识问答等一系列技术。需要多个技术领域的工程师来协同工作，比如数据库工程师、知识工程师、NLP工程师、开发工程师等。这种协同工作的组织需要对整套技术有了解的高级技术或产品人才进行顶层设计和协调。然而，这种人才的培养周期长，更多需要从实战中锻炼出来。

    知识图谱构建过程中，有不少场景可能大部分工作是在进行数据源梳理和清洗等数据治理工作，然后再进行本体的建模和图谱的构建。这个过程由于知识图谱应用和行业关联度较高，需要开发人员能迅速地了解业务并和业务人员高效沟通完成客户需求的理解，如果涉及到文本抽取的话还需要熟悉业务领域知识的专家来进行数据标注的工作。这对开发人员和业务人员都提出了更高的要求。而且，当前人工智能高端人才通常集中于软件和互联网行业，而其他行业中部门负责信息化的人员对人工智能概念和技术的理解与掌握总体上看还不准确、不全面，难以支撑企业智能化改造升级。综合而言，现阶段既了解各行业专业技术和发展规律又掌握人工智能关键技术，还能够进行应用开发的复合型人才严重缺乏。