識廬慧圖主要專注于構建 Graph AI 基礎設施，其核心産品 " 關聯計算平台 "，緻力于降低 Graph AI 技術的認知門檻與工程門檻。得益于在 Graph AI 領域的領先優勢，目前識廬慧圖已經在金融科技、數字營銷、生物醫療、軍工安全、能源電力等行業有了諸多服務頭部客戶的案例。
随着各行各業智能化的腳步加快，傳統機器學習與 AI 算法無法思考事物間關聯關系與相互影響的弊端愈發明顯，關聯密切的事物雖然有着諸多的相似性，但在人類看來是常識的問題，傳統 AI 卻無法認知。
行業中，以知識圖譜爲代表的圖技術興起，也正是因爲人們發現事物間的關聯蘊含着大量信息，而這些信息并沒有得到有效利用。據 Gartner 報告顯示，到 2025 年，80% 的數據分析場景都會用到圖技術。
然而目前以知識圖譜爲代表的圖技術，主要實現了對事物間關聯關系的表達，僅通過數據可視化後，再由人工分析的方式難以真正實現基于算法的智能分析。如何讓算法能夠真正理解事物間的關聯，并做到結合事物自身屬性及關聯關系做出判斷決策，仍然是擺在産業智能化路徑上的難題。
識廬慧圖 CEO 黃勝藍認爲，傳統的數據分析主要基于對個體屬性信息的分析，無法有效理解和使用數據中的關聯信息，且随着業務數據量級增加，對關聯信息的使用會更加困難。而 Graph AI 正是高效利用關聯信息，解決複雜業務問題的全新方式，可以真正做到 " 從關聯視角，重新認識數據 "。
Graph AI 由于引入了圖結構來表示事物間關聯，所以其更加類似于人類的思考方式——更自然、更準确也更加具有邏輯性。但在爲業務帶來巨大變革的同時 Graph AI 也給技術團隊帶來巨大考驗。
比如更靈活的建模方式，需要考慮業務問題如何拆解爲 Graph AI 模型，樣本的準備将變得更加困難；對事物間關系的分析能力，意味着使用 Graph AI 模型需要更健壯的數據處理能力來保證業務數據持續構圖；從利用事物本身屬性上升到聚合多階鄰居信息，意味着模型決策更加複雜、更加 " 黑盒 "；同時，表達能力的增強也意味着模型提供的結果需要更複雜的處理才能真正驅動業務系統運行……這些困難，使得 Graph AI 依舊是少數人手中的工具。
現有産品也多是集成技術組件的建模平台，用戶依然需要完整的思考建模思路、自己實現模型的持續學習與管理，并沒有形成像數據庫産品一樣的标準化能力及完善的配套工具讓一線工程師、業務人員能夠便捷使用。
Graph AI 實現懂關聯的智能化系統
基于此，識廬慧圖 " 關聯計算平台 " 以構建 Graph AI 技術基礎設施爲核心目标，将 Graph AI 的能力進行抽象，形成通用的計算範式，讓業務人員不用思考複雜的模型構建思路、數據處理思路，而是通過直接使用或者組合使用計算範式即可享受到 Graph AI 帶來的智能化能力，并且每種計算範式都涵蓋了模型構建、模型持續管理以及結果使用三大環節。
比如，用戶在選擇了合适的範式并輸入訓練數據後，模型構建平台會基于 AutoML 技術搜索最合适的模型參數；模型管理平台會提供對應模型的持續學習、模型監控、結果幹預、模型解釋等能力；結果使用環節會提供高度抽象的 API 供業務系統調用……大大降低了 Graph AI 的工程門檻，使更多客戶可以便捷地參與到智能化的浪潮中。
" 關聯計算平台 " 業務模型
識廬慧圖在不到一年時間，已經将 Graph AI 技術在銀行、券商、保險、運營商、醫院、科研院所、高校、軍工等行業的頭部客戶中；另一方面與國内、國際頭部公有雲廠商、圖數據廠商也建立了緊密的合作關系，共同幫助客戶享受 Graph AI 的技術優勢。
作爲技術驅動型公司，識廬慧圖團隊已在圖神經網絡領域有着多年經驗積累，其創始人黃勝藍保送武漢大學，曾擔任極驗驗證 CTO、四葉草安全技術 VP，可以更好把握行業需求與技術的結合趨勢；極驗出版的行業書籍《深入淺出圖神經網絡：GNN 原理解析》，是第一本中文圖神經網絡書籍。
人工智能作爲新基建的基礎設施，涉及面廣，識廬慧圖從行業底層架構出發，專注于 Graph AI 領域，幫助行業客戶從關聯視角重新認識數據，爲行業實現智能決策提供新的數據分析技術基礎設施。
