Gartner Emerging Technologies: Knowledge Graphen werden zur zentralen Komponente des Data Fabric

Der Hauptzweck der Data Fabric ist es, als IT-Plattform zu fungieren, die den unternehmensweiten Zugriff auf Daten ermöglicht. Dies dient der Unterstützung fortgeschrittener Analysen sowie der Datenbereitstellung für die Geschäftsrollen entlang der Lebenszyklen. Man könnte das "Bedienfeld"-Bild auf der rechten Seite des obigen Header-Bildes als eine Anwendung der Forrester Research Digital Fabric-Referenzarchitektur auf das Product Lifecycle Management (PLM) interpretieren. Mit anderen Worten: Die Referenzarchitektur kann auf jeden industriellen Lebenszyklus angewendet werden, da es Asset-Lifecycle, Customer-Lifecycle, Data-Lifecycle, Application-Lifecycle usw. gibt, was wiederum für verschiedene Branchen gilt.

Im Falle des Produktlebenszyklus liefert die Data Fabric den Digitalen Zwilling (alle verbundenen Instanzen von Artefakten, die sich auf ein Produkt, eine Komponente usw. entlang des Lebenszyklus beziehen), was sie zu einer unterstützenden Technologie für das Product Lifecycle Management (PLM) macht. Wie das PLM-Beispiel zeigt, ist die Data Fabric eine unternehmensweite Plattform. Daher müssen Knowledge Graphen ein breites Spektrum von Daten entlang der verschiedenen Lebenszyklen abdecken. Dies ist nur möglich, indem man automatisierte Techniken anwendet, um sie aus den gegebenen Daten existierender Datenlandschaften zu berechnen. Es reicht dabei keineswegs aus, nur die in Autorensystemen gespeicherten Datenverbindungen in verknüpfte Daten zu übersetzen, denn es kommt auf die Querverbindung der in Silos liegenden Daten an. Diese Art von Konnektivität wird von industriellen Knowledge Graphen erfasst, die problemlos Milliarden von Objekten miteinander verbinden können. Solche Voraussetzungen stellen hohe Anforderungen an die Datenverarbeitung zur Erstellung der Knowledge Graphen. Es erfordert vielmehr eine konfigurierbare Analytik, um mit den idiosynkratischen Kundendaten umgehen zu können. Ein manueller Ansatz zur Erstellung von Knowledge Graphen in großem Umfang kommt daher nicht in Frage. Andererseits können Ontologien verwendet werden, um bestimmte Aspekte der Welt konzeptionell zu modellieren, sogenannte Domänen-Ontologien (eine Domänen-Ontologie für den Zugverkehr oder für Infektionskrankheiten). Diese Art von tiefgehender Modellierung ist offensichtlich nicht das, was für die Erstellung von Geschäftskontext im industriellen Maßstab mittels verknüpfter Geschäftsdaten benötigt wird. Zusammenfassend lässt sich sagen, dass industrielle Knowledge Graphen die notwendigen technischen Kriterien erfüllen müssen, um in industriellem Maßstab eingesetzt werden zu können:

1. Knowledge Graphen verbinden eine breite Palette von Daten im gesamten Unternehmen
2. Die Erstellung von Knowledge Graphen aus vorhandenen Daten muss automatisiert werden
3. Knowledge Graph Engines müssen in der Lage sein, sehr große Graphen zu speichern und zu verarbeiten
4. Der Prozess der datengesteuerten Graphenerzeugung und -aktualisierung muss konfigurierbar und anpassbar sein, um einen schnellen Kundennutzen zu gewährleisten

Weitere Informationen über das Potenzial von Knowledge Graphen finden Sie in Linked Data Connectivity – Graphen sind die "Crux of the Biscuit oder PLM of Tomorrow Needs Knowledge Graphs und wenn Sie an einer Diskussion über die Zusammenhänge zwischen Digital Thread, Digital Twin und Knowledge Graphs interessiert sind, verweise ich gerne auf Führt konzeptionelle Unschärfe zu einer Suche nach einem neuen Label für PLM?.