假设您想要构建一个应用程序来帮助识别葡萄酒和奶酪的搭配。谁会表现最好？仅基于机器学习、仅基于专家知识或两者结合的应用程序？大多数机器学习算法都是为了解决人工智能中一个众所周知的问题而开发的，这个问题被称为“知识获取瓶颈”。它解决了如何使主题专家(SME)与数据科学家一起以高效和可持续的方式使用知识模型的问题（另请参阅：分类法和本体论——知识建模的阴阳）。机器学习算法从数据中学习，因此成功的实施显然与数据质量和用于编码数据语义（意义）的方法密切相关。语义知识图有助于显着提高数据质量。他们还将启动您的机器学习项目。YankoIvanov最近的一篇文章对此进行了总结：“机器学习算法是一个孩子，他首先需要学习你的语言的基础知识。”最近几个月，我们观察到一个市场趋势：各种组织已经实施了他们的第一个应用程序版本。在第二次迭代中，他们正在寻找可以帮助他们解决三个问题的技术和方法：机器学习算法通常无法获得足够的信号来“理解”数据的正确含义，例如消除歧义。准确度低于预期。认知平台通常需要敏感数据来学习，不应在云中进行处理。中小企业丰富的经验和知识，如果不纳入算法，是无法被编纂的，将会被浪费。任何组织的重要资产。这笔黄金财富不应该被转移到云端，以免它被一些我们无法控制的机器处理。相反，关键是有效实施技术和方法的良好组合，包括针对中小企业。一个好的AI策略不仅仅是立即产生更好的结果，而是关于我们如何在人与机器之间建立有效的伙伴关系。新发布的IDC白皮书讨论了AI的社会技术方面并触及问题的核心：“采用语义技术来提供认知解决方案可以让组织显着减少对开发人员和IT专业人员的依赖。语义数据管理已经到位，数据驱动应用程序的采用将由领域专家和业务用户推动。”
