2021년 엔터프라이즈 지식 그래프 동향

2021년 엔터프라이즈 지식 그래프 동향

 

타이거그래프 게스트 블로거

블로그, 커뮤니티, 그래프 데이터베이스 마켓, 그래프 데이터베이스

 

 

 

 

원래 이 글은 Optum의 연구위원인 Dan McCreary가 Medium 에 게시한 글입니다. 그리고 이 글은 엔터프라이즈 지식그래프, EKG(Enterprise Knowledge Graph) 동향에 대한 세 번째 연간 게시물입니다. 이 블로그에서 제 2019년 및 2020년 게시물도 찾을 수 있으며, 이 세 개의 게시물에서 몇 가지 일관된 패턴을 찾을 수 있을 것으로 생각합니다.

 

 

 

그래프 데이터베이스의 인기는 계속 상승하고 있습니다.

 

EKG에 대한 관심이 계속해서 증가하고 있습니다. 아래 DB-Engines의 인기도 변화 차트를 보면 그래프 데이터베이스(Graph Database)가 여전히 다른 모든 유형의 데이터베이스에 대한 관심 증가보다 크게 앞서고 있는 것을 볼 수 있습니다.

 

 

DB엔진 분류법에서 RDF 스토어(RDF store)는 그래프 DBMS 트렌드에서 제외합니다. RDF 스토어는 그래프 데이터베이스 산업만큼 성장을 하지 못하고 있습니다.기존 관계형 데이터베이스에 대한 옵션으로 그래프 데이터베이스를 업계 전반에서 계속 채택하고 있다는 점에서 저는 만족하고 있습니다. 저와 마찬가지로 다른 수석 솔루션 설계자도 관계형 데이터베이스가 잘 운영되고는 있지만, 더 이상 시장에서 경쟁 우위를 제공하지 못하고 있다고 생각합니다. EGK는 이제 혁신가나 얼리 어댑터만이 사용할 수 있는 것은 아니며, 대규모 조직에서 실질적으로 비용을 절감한 사례가 꽤 많습니다. 그리고 많은 고객들은 이런 사례를 참조하여 비용 절감 및 업무에 대한 빠른 적용을 위해 도입합니다.

 

 

그래프 데이터베이스의 성장과 함께 "엔터프라이즈 지식그래프(Enterprise Knowledge Graph)"라는 용어도 함께 성장하는 것을 확인했습니다. 많은 작가나 조직들이 EKG를 정의 하는 방법에 관심을 갖고 있습니다. 저의 기술 배경은 NoSQL의 스케일아웃(scale-out) 아키텍처에 관한 것이어서 이런 점에서는 다소 편향되어 있다고 생각될 수 있습니다. EKG에 대한 나의 정의는 모두 그래프 데이터베이스의 확장성에 집중되어 있습니다. 요약하면, 그래프 데이터베이스가 포춘(Fortune) 500대 기업의 엔터프라이즈 규모급 요구 사항을 충족하도록 확장할 수 없다면 실제로 엔터프라이즈 지식그래프(EKG)를 만들기는 어렵습니다. 우리는 이러한 시스템을 "프로젝트 지식그래프(project knowledge graphs)" 또는 "부서 지식그래프(departmental knowledge graphs)" 라고 불러야 할 겁니다. 진정한 EKG의 정의는 다음과 같습니다.

“엔터프라이즈 지식그래프(EKG)는 다양한 형태의 연결된 지식을 저장해야 하는 대규모 조직의 요구 사항을 충족하고 확장하도록 설계된 그래프 데이터베이스 입니다.”

 

 

이 정의에는 EKG 자격을 얻기 위해 시맨틱웹스택(semantic-web-stacks) 구성 요소를 사용해야 한다는 요구 사항이 없습니다. 우리는 여전히 이러한 시스템에 대해 "의미론적 지식 그래프"라는 문구를 계속 사용할 수 있습니다. 그렇지만 나의 책에서는 시스템이 클러스터를 자동으로 재조정하는 기능과 같이 수평 확장을 위한 6가지 주요 기준을 대부분 충족할 수 없는 경우, 이를 진정한 EKG로 분류하지 않습니다. 단어의 정의는 중요하므로 저는 향후 블로그에서 이러한 정의를 다시 다룰 예정입니다. 그리고 이 개념에 익숙하지 않은 사람들을 위해 "스케일아웃"이라는 용어에 대한 정확한 정의를 제공할 것입니다. 그리고 자동샤딩(auto-sharding) 및 그래프 클러스터(graph cluster)가 커질 때 자동 재조정(automatically rebalancing)과 같은 용어에 익숙하지 않을 경우, 우리의 책 “Making Sense of NoSQL”(An Kelly 공동 집필)이 도움이 될 수 있습니다.

 

 

첫 번째 공개 GQL 작업 초안

 

 

 

2021년에는 레이블이 지정된 속성 그래프(labeled property graphs - LPG)를 쿼리 하는 새로운 GQL 표준의 첫 번째 공개 작업 초안을 볼 수 있습니다. 저는 거의 격주로 이 표준에 대해 작업하는 30명 이상의 사람들과 회의를 가졌습니다. 문서가 점점 더 구체화 되는 것을 보는 것은 흥미진진합니다. 비록 제가 쿼리 언어 표준에 대한 전문가는 아니지만 GQL 표준 위원회의 놀라운 경험과 헌신에 지속적으로 감명을 받고 있습니다. 이 무료 자원봉사자들은 GQL이 데이터베이스 산업을 어떻게 변화시킬 수 있는지에 대한 공통된 비전을 가지고 있습니다. 저는 이 그룹이 파편화 되어 있던 여러 그래프 커뮤니티를 통합할 수 있는 새로운 표준을 만들기 위해 필요한 아주 상세하고 섬세한 노력들에 대해 다시 한 번 경의를 표합니다. GQL 표준을 통해 SPARQL, Cypher, Gremlin 및 GSQL에서 배운 것을 최대한 활용하여 복잡한 그래프 쿼리와 그래프 알고리즘을 현재보다 10배에서 100배 더 쉽게 액세스할 수 있는 방식으로 표현할 수 있기를 바랍니다.

 

 

레이블이 지정된 속성 그래프를 지원하는 ISO 표준 그래프 쿼리 언어를 얻는 것은 EKG의 채택을 가속화할 핵심 트리거 포인트 중 하나입니다. 많은 CIO 분들이 서버 측 로직(logic)과 알고리즘이 여러 백엔드(back-end) 데이터베이스로 이식될 수 있다는 확신을 가질 것입니다. 서드파티(third-party) 소프트웨어 개발자들은 이 시장에 뛰어들어 엔터프라이즈급 문제를 해결하기 위해, 이전 관계형 모델보다 비용 효율이 높고 확장성이 훨씬 뛰어난 통합 솔루션을 제공할 것입니다. 저와 GQL 전문가들이 Graph+AI World Conference의 GQL 패널에서 이 주제에 대해 논의하는 것을 보실 수 있습니다.

 

 

그래프 최적화 맞춤형 실리콘 하드웨어의 부상

 

 

그래프 데이터베이스에 대한 관심이 높아짐에 따라 하드웨어 수준에서도 혁신이 나타나기 시작했습니다. 지난 1년 6개월 동안 저는 EKG기반 그래프 하드웨어의 발전을 예측해 왔습니다. 대부분의 그래프 알고리즘이 단순한 포인터 연산(simple pointer-hopping)을 수행하고, 오늘날의 복잡 명령어 집합 컴퓨터, CISC(Complex Instruction Set Computer) 하드웨어에서는 명령어의 90%가 필요하지 않다는 것을 알고 있다면 맟춤형 그래프 하드웨어(custom graph hardware)의 필요성은 분명해집니다. 포인터 연산을 최적화하도록 조정된 RISC(Reduced Instruction Set Computer) 명령어 세트를 사용하면 칩에 10배 더 많은 코어를 장착하고 쿼리 성능에서 10배 더 높은 성능을 얻을 수 있습니다.

 

Graphcore와 같은 혁신적인 기업들이 그래프 탐색에 최적화된 획기적인 맞춤형 실리콘 하드웨어(custom silicon hardware)를 생산했지만, 그들의 하드웨어에서는 우리의 알고리즘을 저 수준의 C 코드(low-level C code)로 다시 작성해야 합니다. 짐작할 수 있듯이 대부분의 기업은 알고리즘을 특정 하드웨어 아키텍처와 독립적으로 유지하기를 원합니다. C 개발자를 쉽게 고용하고 활용할 수 있는 소수의 대규모 조직 외에 그래프 데이터베이스 개발자가 사용자 정의 그래프 하드웨어를 광범위하게 채택한 경우는 아직 없습니다.

 

하지만 2021년에는 이 모든 것이 바뀌기 시작할 것이라고 생각합니다. 2020년 10월 인텔이 빠른 그래프 탐색을 위해 맞춤 설계된 새로운 PIUMA 하드웨어 아키텍처에 대한 획기적인 문서를 발표가 중대한 전환점이었습니다. 이 작업의 대부분은 DARPA HIVE 프로젝트에 의해 추진되었으며, 우리 모두는 DARPA 팀의 획기적인 작업과 상업적인 조직들이 그들의 연구로부터 혜택을 받을 수 있도록 하려는 그들의 의지에 감사해야 합니다. 저는 RISC 명령어 세트의 필요성과 RISC 코어에 데이터를 계속 공급하기 위해 메모리 서브시스템을 근본적으로 재설계해야 한다는 점을 깊이 이해하기 위해 인텔이 수행한 환상적인 일들에 대해 광범위하게 글을 썼습니다.

 

메모리 하드웨어를 재설계하는 것은 Cray와 DataVortex가 수년 전에 가지고 있던 중요한 통찰력 중 하나였습니다. 그러나 이 제품은 맞춤형 고성능 슈퍼 컴퓨팅 시스템에서만, 게다가 엄청난 비용을 들여야 사용할 수 있었습니다. PIUMA 아키텍처는 10배의 코어 속도 향상 외에 일부 그래프 알고리즘의 경우 10배에서 100배까지 속도 향상을 증명할 수 있습니다. 인텔 PIUMA 하드웨어가 Cray Graph Engine보다 훨씬 더 저렴할 수 있기를 진심으로 바랍니다.

이 내용에 대해서 더 자세히 알고 싶다면, 저와 인텔 PIUMA 팀의 Nikhil Deshpande 가 함께 참석한 Graph+AI World Conference를 참고하세요.

 

 

그래프에서의 머신 러닝

 

 

 

2020년에는 그래프 데이터베이스에서 머신 러닝(Machine Learning)의 역할만큼 저를 사로잡은 주제는 없었습니다. 아직까지는 아니지만, 앞으로 몇 년 안에 LPG 그래프 데이터베이스는 AI 커뮤니티에서 그들만의 "AlexNet Moment"를 갖게 될 것 입니다. 

AI를 가까이에서 추종하지 않는 사람들에게 AlexNet은 병렬 처리와 GPU를 활용하고 심층 신경망(deep neural networks)을 훈련하여 이미지를 분류한 최초의 알고리즘 중 하나였습니다. AlexNet은 2012년 이미지 인식 대회에서 경쟁자보다 10.8% 포인트나 낮은 오류율을 보여주는 놀라운 결과를 달성했습니다. 연간 1~2% 포인트 정도 향상되는 것이 보통이었는데, 이 결과는 AI 커뮤니티를 놀라게 했고 심층 신경망(deep neural networks)이 전통적인 머신 러닝 알고리즘보다 많은 이점을 가지고 있다는 것을 의심할 여지 없이 증명했다는 것을 알 수 있습니다. 

그래프 데이터베이스의 데이터에서 예측을 생성하기 위해 심층 신경망을 사용하는 유사한 움직임이 있었습니다. 12월에는 세계 최대 AI 컨퍼런스인 NeurIPS 2020 에서 136 개 이상의 논문 제목에 "그래프"라는 단어가 포함되어 있었습니다. 다른 많은 논문들도  지식의 그래프 표현을 사용하여 다른 영역의 지식을 분석하는 방법을 다루었습니다. 2021년에는 머신 러닝과 EKG에 저장된 데이터를 결합하는 지속적인 혁신이 기대됩니다.

 

어디에나 임베딩(Embeddings Everywhere)

 

딥 러닝의 주요 작업 중 하나는 유사한 항목을 찾는 것과 같이 빠르고 실시간 처리에 사용할 수 있는 항목 분류와 대표성(representations)을 찾는 일에 도움을 주는 것입니다. 작년에 저는 유사성 알고리즘이 EKG에 가장 중요한 알고리즘이라고 이야기했습니다. 유사성은 추천 시스템의 핵심입니다. 그래프에서 유사한 항목을 찾는 다양한 그래프 알고리즘이 있지만 가장 일반적인 것은 코사인 유사성(Cosine Similarity) 이라는 알고리즘 입니다. 머신 러닝 모델을 구축하기 위한 주요 피쳐(feature)를 찾는 매뉴얼 방법이 많이 있지만, 이러한 방법은 느리고 각 피쳐의 가중치를 지속적으로 조정해야 합니다.

 

우리는 자연어 처리(NLP), 데이터 과학 및 기계 학습에서 얻은 지식을 복잡한 LPG 지식 그래프 구조(LPG knowledge graph structures)에 대한 임베딩(embedding)을 자동으로 찾는데 사용하기 시작했습니다.

우리는 본질적으로 쿼리에 주변의 각 노드(vertex)의 대해 “randomly walk”를 수행 하고 이 노드를 고유하게 만드는 것이 무엇인지를 결정하는 쿼리를 만듭니다. NLP가 레이블이 지정되지 않은 텍스트에서 단어 임베딩을 작성하는 방법을 배운 것처럼, 우리는 노드를 설명하는 문장을 작성하기 위해 랜덤 워크(random walk) 알고리즘을 사용합니다.

좀 더 알아보기 위해 2020년 11월 그래프 임베딩 이해 에 대한 상세한 블로그를 작성했습니다.

 

 

이러한 임베딩이 확보되면 맞춤형 FPGA(Field Programmable Gate Arrays) 하드웨어와 효율적인 병렬 처리 기술을 사용하여 유사한 항목을 빠르게 찾을 수 있습니다. 머신 러닝으로 생성된 고품질 임베딩이 주어지면 일반적인 FPGA는 50밀리초 이내에 1천만 개의 항목이 있는 집합에서 가장 유사한 항목 100개를 찾을 수 있습니다. Graph+AI World Conference 에서 Xilinx의 Kumar Deepak과 나눈 대화를 통해 FPGA를 사용하여 EKG에서 유사한 항목을 찾는 방법에 대해 자세히 알아보실 수 있습니다.

 

FPGA를 사용하여 수백만 개의 유사한 항목을 1/20초 안에 빠르게 찾는 것은 일회성 트릭(one-time trick)이 아닙니다. FPGA는 그래프에서 많은 병렬 계산을 수행하기 위한 범용 도구입니다. EKG를 개발하는 모든 사람은 알고리즘이 직렬로 수행할 수 있는 경우와 병렬로 수행할 수 있는 경우를 잘 알고 있어야 합니다. 실시간 그래프 쿼리가 필요할 때 "FPGA를 사용하여 속도를 높일 수 있습니까?" 라는 질문을 가장 먼저 염두에 두어야 합니다. 2021년에는 그래프에서 FPGA가 어떻게 사용되는지에 대해 더 자세히 써 보려고 합니다.

 

 

노드 수준의 역할 기반 액세스 제어(Vertex-level Role-Based Access Controls)

엔터프라이즈 지식 그래프의 정의 기능 중 하나는 많은 개발자(동시 개발자 수백 명에서 수천 명)에게 그래프 데이터베이스에 대한 직접 쿼리 수준의 접근을 제공하는 것입니다. 데이터 레이크(Data Lakes)와 같은 다른 많은 기술의 문제는 개별 노드와 엣지들(edges)에 대한 세밀한 접근을 허용하지 않는다는 것입니다. 2020 년에 우리는 엔터프라이즈 그래프 공급업체가 처음으로 노드 수준의 역할 기반 접근 제어(RBAC) 규칙을 소개하는 것을 보았습니다. 즉, 더 이상 그래프 데이터베이스 접근을 인증된 애플리케이션 쿼리에만 제한할 필요가 없습니다. 인증된 애플리케이션 쿼리만 사용하던 방법은 애플리케이션 계층의 엔터프라이즈 그래프에서 민감한 데이터에 대한 접근 제어를 제공하기 위해서였습니다. 하지만 이로 인해 Ad-hoc 데이터 검색을 하려는 모든 등급의 EKG 사용자가 제약을 받았습니다. 이러한 접근제한 문제가 해결되면서 커다란 비용절감 효과를 가져와 EKG 채택을 가능하게 하였습니다.

 

노드 수준의 RBAC 피쳐의 추가는 EKG 산업의 지속적인 성장에 매우 중요합니다. 많은 EKG 프로젝트의 RBAC는 그래프의 노드 수준이 아니라, 테이블의 행 수준에 있지만 RDBMS 시스템에서처럼 일반적으로 사용 가능한 RBAC를 제공하지 않았기 때문에 보류되어 왔습니다. 그러나 이제는 상용 그래프 데이터베이스에서도 이 기능을 사용할 수 있게 되어 다른 신생 그래프 데이터베이스 업체의 진입 장벽을 높였고, 노드 수준의 RBAC는 성능 저하 없이 대규모로 구현하기가 어렵습니다.

 

 

 

클라우드 및 LPG 기업의 성장, 시맨틱 웹 제품 기업의 규모 축소

 

2020년은 많은 그래프 회사에게는 좋은 해였지만, 슬프게도 모든 그래프 회사에게 해당하는 것은 아니었습니다.

주요 클라우드 제공업체는 그래프 기반 제품 지속적으로 홍보했습니다. 많은 클라우드 공급업체가 엔터프라이즈 규모 프로젝트에 Gremlin을 사용하는 것에서 제약을 받고는 있지만 소규모 프로젝트와 부서 수준의 그래프를 구축해 왔습니다. 이러한 소규모 프로젝트는 그들의 조직에게는 그래프 데이터베이스의 강력함과 유연성을 경험할 수 있게 하며, 직원들에게는 그래프 쿼리 기술을 배울 수 있는 좋은 학습터가 될 수 있습니다. 본질적으로 향후 몇 년에 걸쳐 EKG를 구축하는 팀을 위한 부트 캠프(boot camps)가 될 것입니다.

 

 

올해 중반쯤, 우리는 오래된 시맨틱웹스택에 아직까지 집중하고 있는 일부 기업들이 정리 해고와 인원 축소를 진행한다는 사실을 알게 되었습니다. 이러한 시맨틱웹스택 제품은 여전히 ​​소규모 용어집, 어휘, 분류(taxonomies) 및 온톨로지(ontologies)를 관리할 수 있는 장점이 있습니다. 그러나 이번 COVID-팬데믹은 그들에게 큰 타격을 주었을 것입니다. 이 산업도 성숙한 공간으로 경쟁이 치열합니다. 다행히도, 저는 이미 이 회사에서 해고된 몇몇 사람들이 그래프와 관련된 프로젝트로 옮겨갔다는 것을 알고 있으며 그들에게 행운을 빌고 있습니다. 모두들 조금만 더 기다려 보세요! 2021년은 훨씬 더 나아질 겁니다!

 

 

 

자연어 처리(NLP) 및 EKG

 

EKG와 밀접한 관련이 있는 모든 분야 중 가장 흥미로운 분야는 NLP였습니다. 이는 2018년 10월 BERT 논문이 발표된 이후로 구축되어 왔습니다. BERT는 2018년 NLP를 위한 "AlexNet Moment"를 만들었고, BERT 논문이 발표된 이후 비지도 학습 모델 (unsupervised learning models)과 트랜스포머 모델(Transformer models)을 사용하는 수십 개의 관련 프로젝트가 있었습니다.

NLP와 AI의 혁명을 둘러싼 과장은 2020년 6월 OpenAI의 GPT-3 발표와 함께 거의 통제 불능 상태가 되기 시작했습니다. 이것은 언어 모델이 어떻게 모델 교육에 약 1,000만 달러를 들여 175B 파라미터 수준으로 확장될 수 있는지를 보여주기 위해 OpenAI에서 취한 약간의 과시였습니다. 위 그림의 이미지는 GPT-3가 작동하는 방식의 인상적인 예라고 생각되는 것을 보여줍니다. 저는 가장 큰 GPT-3 Davinci 모델에 다음과 같은 프롬프트를 제공합니다.

 

"엔터프라이즈 지식 그래프가 계속해서 인기를 얻을 수 있는 이유는"

 그리고 그것은 꽤 인상적인 200단어 응답과 약 1페니의 비용을 내 놓았습니다.

 

BERT 및 GPT와 같은 도구는 문서 및 텍스트의 세계와 EKG의 세계를 연결하는 다리가 서서히 될 것입니다. BERT 및 GPT를 기반으로 구축된 NLP 서비스는 수백만 개의 문서를 비용 효율적으로 수집하고, 각 문서의 개념 그래프(concept graphs) 사이에서 쿼리 가능한 엣지(queryable edge)와 동일 개념을 구체화 하여 각 문서를 연결(linking)하는 각각의 문서에 대해 정확하게 코드화된 개념 그래프(precisely coded concept graphs)를 반환합니다.

 

이것이 왜 중요할까요? 오늘날 대기업에서 지식의 80%가 MS-Word, PDF, FAX 및 HTML 웹 페이지와 같은 문서에 담겨 있습니다. 문서에서 정확한 사실을 추출할 수 있다면 EKG가 이 문서들을 통합하는 데 유용하다는 것을 알고 있습니다. 그런 다음 이러한 사실을 지식 그래프의 노드(vertices)로 인코딩하고 연결(linked)할 수 있습니다. 일단 사실(facts)이 추출되고 연결되면, 우리는 결정론적 규칙(deterministic rules)과 임베딩을 결합하여 임베딩을 계산하고 유사한 문서와 비슷한 개념을 빠르게 찾기 위해 그래프 머신 러닝의 힘을 사용하여 사용할 수 있습니다. 이 기능은 EKG 프로젝트의 범위를 계속 확장하고 보다 비용 효율적인 EKG 하드웨어의 필요성을 제기할 것입니다.

 

EKG 비대면 회의 및 커뮤니티

 

대부분의 그래프 관련 대면 회의가 완전히 중단되었음에도 불구하고, 많은 비대면 회의를 통해 EKG 주제에 관심이 있는 전세계의 더 많은 청중들이 참석하였습니다.

가장 큰 규모의 새로운 컨퍼런스는 엔터프라이즈 지식 그래프 출시(rollouts)의 사례 연구뿐만 아니라 Graph+AI World 컨퍼런스였습니다. 계속해서 EKG 관련 주제에 대한 여러 전문가 패널들의 토론도 있었습니다. GQL 표준, 머신 러닝 및 NLP 기술에 초점을 맞춘 EKG 관련 세션이 결합된 컨퍼런스가 저에게는 올해 최고의 컨퍼런스였습니다.

또한 지식 연결(Knowledge Connections) 컨퍼런스가 완전한 비대면 형식(fully virtual format)의 컨퍼런스로 성공적으로 도약하였고, 지식 그래프에 대한 많은 흥미로운 발표가 개최된 것을 보고 기뻤습니다.

 

EKG 책, EKG 성숙 모델 및 EKG 블로그 등!

 

2021년은 2022년 까지 신제품을 출시하는 혁신을 계속 하면서 EKG의 또 다른 고성장 해가 될 것이라고 생각합니다. GQL 언어, 맞춤형 EKG 하드웨어, Graph-머신 러닝, NLP 및 블로그, 사례 연구, 서적 및 대규모 조직의 요구에 맞게 맞춤화된 확장이 가능하고 강력한 EKG 소프트웨어를 결합하며 데이터베이스 산업을 계속 변화시킬 것입니다.

 

결론은, 지금 투자하십시오!

 

작년에 우리는 엔터프라이즈 지식이 조직의 데이터를 일관된 방식으로 결합하는 보이지 않는 힘과 같은 역할을 할 수 있다는 사실을 계속 확인했습니다. 중력과 자력처럼 연결된 지식은 EKG에 더 많은 지식을 끌어당길 수 있습니다. 네트워크 연결 효과가 있을 겁니다. EKG는 이를 구현한 조직의 혁신과 새로운 통찰력으로 분명히 비용 절감을 주도했습니다.

 

만약 당신이 EKG의 힘을 활용하는 새로운 회사를 설립할 생각이라면 2021년은 당신의 회사를 시작하기에 이상적인 해가 될 것이라고 생각합니다. VC 또는 엔젤 투자자라면 ML, NLP와 EKG 기술을 결합한 그래프 공간에서 소규모 스타트업을 찾아야 합니다. 이 회사들은 새로운 GQL 표준과 2021년 이후에 보게 될 1,000x 그래프 하드웨어 가속화를 중심으로 빠르게 성장할 것입니다.

새해 복 많이 받으세요!

 

 

https://www.tigergraph.com/blog/enterprise-knowledge-graph-trends-for-2021/