Knowledge Graph

الرسم البياني للمعرفة هو تمثيل مُنظَّم للكيانات الموجودة في العالم الحقيقي والعلاقات بينها. وعلى خلاف قاعدة البيانات القياسية التي تخزّن البيانات في صفوف وأعمدة ثابتة، ينظّم الرسم البياني للمعرفة المعلومات على شكل شبكة من العُقد (التي تمثّل الكائنات أو الأشخاص أو المفاهيم) والحواف (التي تمثّل الروابط أو التفاعلات بين تلك العُقد). تحاكي هذه البنية الطريقة التي ينظّم بها البشر المعلومات، مما يتيح لأنظمة الذكاء الاصطناعي (AI) فهم السياق، واستنتاج حقائق جديدة، والاستدلال بشأن البيانات بطريقة أكثر دلالية وترابطًا.

فهم البنية#

في صميم الرسم البياني للمعرفة توجد ثلاثة مكوّنات رئيسية تشكّل «ثلاثيات» (الموضوع-المحمول-المفعول به):

• العُقد (الكيانات): هي نقاط البيانات المميّزة، مثل «لندن» أو «Python» أو «Ultralytics YOLO26». وفي مهام الرؤية الحاسوبية، قد تمثّل كائنات مكتشفة مثل «سيارة» أو «مشاة».
• الحواف (العلاقات): هي خطوط مميّزة تصل بين العُقد وتحدّد كيفية ارتباطها. فعلى سبيل المثال، قد تسمّي حافةٌ العلاقة بين «لندن» و«المملكة المتحدة» بالعبارة "is_capital_of".
• السمات (الخصائص): تفاصيل إضافية تصف عقدة، مثل عدد سكان مدينة أو درجة الثقة في اكتشاف كائن.

تتيح هذه البنية الشبيهة بالويب للأنظمة إجراء بحث دلالي، حيث يفهم المحرك نية المستخدم بدلًا من مطابقة الكلمات المفتاحية فحسب. فعلى سبيل المثال، يتيح إدراك أن «Jaguar» حيوان وعلامة تجارية للسيارات في آنٍ واحد للنظام تمييز النتائج استنادًا إلى السياق.

التكامل مع تعلّم الآلة#

تزداد أهمية الرسوم البيانية للمعرفة في تعزيز نماذج تعلّم الآلة (ML). وبينما تتفوّق نماذج التعلّم العميق في التعرّف الإحصائي على الأنماط، فإنها غالبًا ما تفتقر إلى الأساس الواقعي. ويتيح دمج رسم بياني للمعرفة للنماذج الوصول إلى «تصوّر موثّق للعالم».

• التوليد المعزَّز بالاسترجاع (RAG): قد تنتج النماذج التوليدية أحيانًا معلومات معقولة ظاهريًا لكنها غير صحيحة. ومن خلال إسناد نماذج اللغة الكبيرة (LLMs) إلى رسم بياني للمعرفة، يمكن لوكلاء الذكاء الاصطناعي الاستعلام عن مصدر موثّق للحقيقة قبل إنشاء استجابة. ويقلّل ذلك بدرجة كبيرة من الهلوسات في LLMs ويحسّن الدقة الواقعية لتطبيقات المؤسسات.
• أنظمة التوصية: في الذكاء الاصطناعي في قطاع البيع بالتجزئة، ترسم الرسوم البيانية العلاقات المعقّدة بين المستخدمين والمنتجات. فإذا اشترى عميل كاميرا، يفهم الرسم البياني الرابط الوظيفي بينها وبين «بطاقات SD» أو «حوامل الكاميرات»، مما يتيح اقتراحات أكثر ذكاءً من الترشيح التعاوني البسيط.

مثال برمجي: استخراج الكيانات لرسم بياني#

تعمل نماذج الرؤية الحاسوبية كنقاط دخول ممتازة لملء الرسوم البيانية للمعرفة، إذ تحدّد الكيانات المادية في العالم الحقيقي. يوضّح مقتطف Python التالي كيفية استخدام نموذج Ultralytics YOLO26 لاكتشاف الكائنات في صورة. ويمكن أن تعمل الفئات المكتشفة كعُقد، ثم تُربط في قاعدة بيانات رسوم بيانية (مثل Neo4j أو Amazon Neptune).

from ultralytics import YOLO

# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")

# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}

print(f"Graph Nodes: {detected_entities}")

التطبيقات الواقعية#

1. اكتشاف الأدوية في قطاع الرعاية الصحية: يستخدم الباحثون في الذكاء الاصطناعي في الرعاية الصحية الرسوم البيانية للمعرفة لنمذجة التفاعلات البيولوجية. ومن خلال ربط كيانات مثل الجينات والبروتينات والمركّبات الكيميائية من قواعد بيانات مثل UniProt، يمكن للخوارزميات التنبؤ بأهداف الأدوية المحتملة والآثار الجانبية، مما يسرّع تطوير علاجات جديدة.

2. التوائم الرقمية لسلاسل الإمداد: تستخدم شركات الخدمات اللوجستية الرسوم البيانية للمعرفة لإنشاء «توأم رقمي» لعملياتها. وتمثّل العُقد المورّدين والمستودعات والمخزون، بينما تمثّل الحواف مسارات الشحن والاعتماديات. وتسهّل هذه البنية تحليلات البيانات الضخمة، مما يتيح للمديرين التنبؤ بالتأخيرات وتحسين المسارات ديناميكيًا.

الرسوم البيانية للمعرفة مقابل قواعد البيانات العلائقية#

من المهم التمييز بين الرسم البياني للمعرفة وقاعدة البيانات العلائقية (RDBMS) التقليدية. تخزّن قاعدة البيانات العلائقية البيانات في جداول ثابتة مرتبطة بمفاتيح خارجية، وهو ما يتسم بالكفاءة بالنسبة إلى البيانات المنظّمة والمعاملات (مثل دفاتر الحسابات المصرفية). غير أن الاستعلام عن العلاقات المعقّدة (مثل «العثور على أصدقاء الأصدقاء الذين يحبون الخيال العلمي») يتطلب عمليات «ضم» مكلفة.

وعلى النقيض من ذلك، يتعامل الرسم البياني للمعرفة (المخزّن غالبًا في قاعدة بيانات رسوم بيانية) مع العلاقة باعتبارها عنصرًا أساسيًا. ويصبح اجتياز الروابط فوريًا، مما يجعل الرسوم البيانية متفوّقة في المهام التي تتضمن بيانات شديدة الترابط، مثل حلقات الاحتيال أو تحليل الشبكات الاجتماعية. وبينما تتفوّق RDBMS في تخزين سجلات محدّدة واسترجاعها، تتفوّق الرسوم البيانية للمعرفة في اكتشاف الأنماط والرؤى الخفية داخل الروابط نفسها.

الآفاق المستقبلية مع الذكاء الاصطناعي متعدّد الوسائط#

يكمن مستقبل الرسوم البيانية للمعرفة في التعلّم متعدّد الوسائط. ومع استمرار نماذج مثل Ultralytics YOLO26 في التقدّم في اكتشاف الكائنات وتقدير الوضعية، ستغذّي هذه النماذج الرسوم البيانية بالسياق البصري تلقائيًا. وينشئ ذلك أنظمة لا «تقرأ» النص فحسب، بل «ترى» العالم أيضًا، فتربط المفاهيم البصرية بالتعريفات اللغوية. وباستخدام Ultralytics Platform، يستطيع المطوّرون تدريب نماذج الرؤية المتخصصة هذه على التعرّف على الكيانات المخصّصة، وبذلك يبنون فعليًا أعضاء الحس لأنظمة الذكاء الاصطناعي الواعية بالمعرفة في الجيل القادم.