决策是日常我们经常要做的事情，无论是一个公司还是个人。个人大到升学、求职，结婚，买房，在哪个国家或城市定居；小到吃饭，穿衣，购物，交友，旅行。公司决定战略方向，战术打法，产品节奏，营销方案，团队搭建等等。
要了解一个事情的发展，预测它未来的发展方向，做好决策，通常有三大利器：数据，逻辑与历史。统计就是对数据做分析，横向、纵向对比看看，逻辑是结合自己的经验，方法论，对输入的数据，与即有的经验做好关联，而历史则提供了丰富的素材可资借鉴与参考。
比如买房，目标到底自住还是投资，这背后的分析逻辑就大不一样。如果是投资，那得对比横向其它投资方式的收益，横向对比其他可比国家的楼市增值规律，纵向看中国市场的发展情况等；历史是用一个更宏观的视野，比如“回到”上世纪80年代的日本，香港楼市看它未来的走势，解读一些不一样的信息。
再简化一下决策模型，其实就是：信息->知识体系+方法论+逻辑分析->结论。我们去收集数据，提取出有用的信息，结论我们即有的知识与逻辑分析，得到相应的结论。收集与存储海量的信息，是计算机的强项，在目前大数据架构下，这个容量似乎无限，而且它没有遗忘的问题，这不是人类大脑可以比拟。信息在当下不是问题，信息一直都在过载，当然，当下存在大量的信息孤岛，很多大数据掌握上少数大公司手里也是事实。计算机的问题，在于对于原始信息，新增输入的信息，无法产生关联，联想，甚至是推理。比如我们有很多数据库，理解这些表结构的工程师，可以通过SQL语句对这些结构化的数据进行查询，得到相应的结果。但这些信息都是静态的，都是素材，本身没有生命力。
计算机本质上，还不能有效理解非结构化数据。比如文本，在它眼里就是字符串。我们提取到数据里的结构化数据，才可以进行挖掘与分析。图谱化比数据库的结构化更进一步，相当于给每个字段赋于了现实中的意义。而且这个意义还在一个语义网络当中。举个例子，有一张学生信息表，有如下几个字段：name,age,sex等。记录有：小明，16，男；小李，18，女等。这个表容易统计一个班男女比例等，但age,sex这些字段，只有设计表格的工程师自己知道。另外，sex与另一个数据库中的gender能不能进行关联。图谱化相当于结构化的数据基础上，让每一个字段具备了语义——（小明，年龄，16），（小明，性别，男）
有一个问题，是不是知识都可以量化——图谱化？
有一篇财经的分析文章，开篇是这么写的——“零售业属于我国开放最早、市场化程度最高、竞争最为激烈的行业之一”。短短这一句话，包括了很多的信息点，观点，甚至可能是偏见。
实体：零售业（is a 行业），属性：开放时间（最早之一），市场化程度（最高之一），竞争度（最激烈之一）。要得到如上这句话，需要对所有行业的如上属性做量化，然后进行排序，并取top 5%作为最xxx之一的度量。
随着近年来行业环境变化，线上线下融合发展，一些较大规模的零售企业在发展多种业态的同时，也开始进行地域性扩张，新的竞争重点区域由一线城市转移到二、三线城市。
实体：零售企业，发展，多种业务，进行，地域性扩张，竞争区域，下沉到二、三线城市。
目前看来，不容易，如果是计算范式，需要严格的大师证明。就像0，1可以表示整个虚拟世界，知识是否完备的表示，不知道，但部分肯定是可以的。
第二个问题，有了大数据量的图谱，图谱自身如何进行知识推理？
人具备这样的能动性，而且会带着目的性。机器即没有目标，也没有能动性。目标可以由人赋于。比如想让机器去分析——为何欧洲长期分裂，而中国倾向统一。人会自然分解目标，形成一个个子问题，寻找证据，分析结论。
第三个问题，这种推理可否由自然语言的问答式驱动。
网友评论