مخطط المعرفة

الرسم البياني المعرفي هو نموذج ينظم ويربط المعلومات من مصادر مختلفة لتمثيل المعرفة حول مجال ما بطريقة منظمة تشبه الطريقة البشرية. على عكس قاعدة البيانات التقليدية التي تخزن البيانات في جداول، يلتقط الرسم البياني المعرفي المعلومات كشبكة من الكيانات (كائنات أو أحداث أو مواقف أو مفاهيم مجردة من العالم الحقيقي) والعلاقات بينها. يسمح هذا الهيكل لأنظمة الذكاء الاصطناعي بفهم السياق واستخلاص الاستنتاجات والإجابة على الأسئلة المعقدة بشكل أكثر فعالية من مجرد مطابقة الكلمات الرئيسية. المفهوم هو عنصر أساسي في الويب الدلالي، بهدف جعل بيانات الإنترنت قابلة للقراءة آليًا.

يتكون هيكل الرسم البياني المعرفي من العقد (الكيانات) والحواف (العلاقات) والخصائص (السمات التي تصف الكيانات). على سبيل المثال، في رسم بياني حول الأفلام، سيكون "ليوناردو دي كابريو" عقدة كيان، و "مثل في" سيكون حافة علاقة، و "تيتانيك" ستكون عقدة كيان أخرى. قد تحتوي عقدة "ليوناردو دي كابريو" أيضًا على خصائص مثل "تاريخ الميلاد". تتضمن الرسوم البيانية المعرفية العامة البارزة الرسم البياني المعرفي من Google ومشاريع مفتوحة المصدر مثل DBpedia.

التطبيقات في الذكاء الاصطناعي وتعلم الآلة

تعتبر مخططات المعرفة جزءًا لا يتجزأ من العديد من التطبيقات الذكية:

• البحث الدلالي: تستخدم محركات البحث الرسوم البيانية المعرفية لفهم الهدف من الاستعلامات وتقديم نتائج أكثر صلة وسياقية تتجاوز مطابقة الكلمات الرئيسية البسيطة. يتيح لهم ذلك الإجابة على الأسئلة المباشرة مثل "من هو الرئيس التنفيذي لشركة Apple" من خلال اجتياز الرسم البياني.
• أنظمة التوصية (Recommendation Systems): من خلال نمذجة العلاقات بين المستخدمين والعناصر وسماتهم، تتيح الرسوم البيانية المعرفية توصيات أكثر تطوراً وشخصية في مجالات مثل الذكاء الاصطناعي في البيع بالتجزئة وتدفق المحتوى.
• الإجابة على الأسئلة و الروبوتات الدردشة (Chatbots): توفر الرسوم البيانية المعرفية معرفة منظمة تسمح لأنظمة الذكاء الاصطناعي بالإجابة على الأسئلة المعقدة من خلال التنقل في علاقات الكيانات، مما يعزز قدرات الذكاء الاصطناعي للمحادثة.
• تكامل البيانات: يمكن لرسوم البيانات المترابطة توحيد البيانات من مصادر متباينة، مما يخلق رؤية متسقة ومترابطة للمعلومات عبر المؤسسة. وهذا أمر حيوي لتحليلات البيانات الضخمة وغالبًا ما يتم الاستعلام عنه باستخدام لغات مثل SPARQL.
• تحسين نماذج الذكاء الاصطناعي الأخرى: يمكن أن توفر الرسوم البيانية المعرفية معلومات أساسية سياقية لمهام الذكاء الاصطناعي الأخرى. على سبيل المثال، في رؤية الكمبيوتر (CV)، يمكن للرسم البياني ربط الكائنات التي تحددها نماذج مثل Ultralytics YOLO11 بمعلومات حول خصائصها أو وظائفها، مما يؤدي إلى فهم أعمق للمشهد. تدير منصات مثل Ultralytics HUB مجموعات البيانات والنماذج التي يمكنها الاستفادة من هذه المعرفة المنظمة.

أمثلة واقعية

1. تخصيص التجارة الإلكترونية: يستخدم بائع تجزئة عبر الإنترنت رسمًا بيانيًا معرفيًا يربط العملاء والمنتجات والعلامات التجارية والفئات وسجل العرض وبيانات الشراء. عندما يبحث المستخدم عن "أحذية رياضية"، يساعد الرسم البياني النظام على فهم المفاهيم ذات الصلة (مثل "ماراثون"، "الركض على الطرق الوعرة") وتفضيلات المستخدم لتقديم نتائج وتوصيات مخصصة للغاية للمنتجات التكميلية. هذا يعزز تجربة العملاء بشكل عام.
2. حلول الذكاء الاصطناعي في الرعاية الصحية: تقوم مؤسسة بحثية طبية ببناء رسم بياني معرفي يربط الأمراض والأعراض والجينات والأدوية والمنشورات البحثية من مصادر مثل PubMed. يتيح ذلك للباحثين الاستعلام عن العلاقات المعقدة، مثل "العثور على الأدوية التي تستهدف البروتين X وتستخدم لعلاج المرض Y"، وتسريع اكتشاف الأدوية وتحسين الدعم التشخيصي لتحليل الصور الطبية.

مخطط المعرفة مقابل المفاهيم ذات الصلة

• قاعدة البيانات: تخزن قاعدة البيانات العلائقية التقليدية البيانات في جداول محددة مسبقًا وصلبة مع صفوف وأعمدة. تستخدم قاعدة المعرفة بنية رسم بياني مرنة (عقد وحواف)، وهي الأنسب لتمثيل العلاقات المعقدة والمتطورة واستنتاج اتصالات جديدة. تم تصميم قواعد بيانات الرسوم البيانية الحديثة مثل Neo4j خصيصًا لإدارة هذه البنية.
• البحث المتجهي (Vector Search): هذه طريقة للعثور على عناصر مماثلة بناءً على قرب تضميناتها المتجهة (vector embeddings). في حين أن قواعد البيانات المتجهة (vector databases) فعالة للغاية في عمليات البحث عن التشابه، إلا أنها لا تخزن العلاقات بشكل صريح كما تفعل قاعدة المعرفة. تحدد قواعد المعرفة اتصالات صريحة، بينما يجد البحث المتجهي اتصالات ضمنية بناءً على الميزات المتعلمة.
• نماذج اللغة الكبيرة (LLMs): تخزن نماذج اللغة الكبيرة (LLMs) المعرفة ضمنيًا في معلماتها بعد التدريب على كميات هائلة من النصوص. تخزن مخططات المعرفة المعرفة بشكل صريح ويمكن التحقق منه. يمكن استخدامها معًا؛ قد يجيب نموذج اللغة الكبير (LLM) على استعلام عن طريق استرجاع المعلومات الواقعية أولاً من مخطط معرفة لتقليل الهلوسة (hallucinations) وضمان الدقة، وهي تقنية أساسية لجيل الاسترجاع المعزز (Retrieval-Augmented Generation (RAG)).