机器推理的能力——“不仅仅是识别海量数据中的模式，而且基于特定领域的知识做出基于规则或逻辑的推理——”是人工智能的基础。围绕神经符号人工智能的增长势头以及对图形分析的日益依赖表明了这些发展对企业的重要性。


将 AI 的符号知识处理与其统计分支（以机器学习为代表）相结合可产生最佳的规范性结果，提供全面的 AI，并迅速成为解决关键任务流程的企业规模应用的必要条件，例如预测设备故障、优化医疗保健治疗，并最大限度地提高客户关系。

图神经网络 (GNN) 体现了机器学习和 AI 推理的融合。它们的底层图形功能非常适合将机器学习的高级模式识别应用于高维、非欧几里得数据集，这些数据集对于其他机器学习类型来说过于复杂。

通过将围绕关系预测、实体分类和图聚类的 GNN 推理能力与知识图谱中可用的经典语义推理相融合，组织在一个框架中获得两种形式的推理。自动混合和匹配这两种类型的推理是下一级人工智能，并且是基于上下文大规模预测任何业务事件的基础。

从知识中创造知识
语义推理和图神经网络提供的推理是互补的，因为它对于不同的应用程序具有相似的功能。尽管语义知识图支持两者，但它们为语义推理提供了原生支持。这种强大的能力有效地使组织能够从有关其数据的现有事实中获得新知识。

例如，如果有一个事实表明比尔是人类，人类是哺乳动物的一种（子类），而哺乳动物是动物的一种，则对所有动物的查询将在结果中显示比尔，而无需明确告诉系统比尔