الرسم البياني المعرفي

المفاهيم الأساسية

تتألف الرسوم البيانية المعرفية من عقد (تمثل الكيانات أو المفاهيم) وحواف (تمثل العلاقات أو المسندات التي تربط هذه العقد). على سبيل المثال، قد تكون عقدةUltralytics YOLO" وأخرى"اكتشاف الكائنات"؛ ويمكن أن تربط بينهما حافة تحمل علامة "هو نوع من". تسمح هذه البنية بالاستعلام عن العلاقات المعقدة وأداء مهام الاستدلال، مثل استنتاج حقائق جديدة من البيانات المتصلة الموجودة. التقنيات الرئيسية التي تدعم مجموعات المعارف: توفر معايير مثل إطار عمل وصف الموارد (RDF) نموذجًا مشتركًا لتمثيل البيانات، بينما تتيح لغات الاستعلام مثل SPARQL استرجاع المعلومات بناءً على أنماط الرسم البياني. غالبًا ما ينطوي بناء مجموعات المعارف على استخراج المعلومات من مصادر متنوعة، بما في ذلك البيانات المهيكلة (مثل قواعد البيانات) والنصوص غير المهيكلة، وغالبًا ما تستخدم تقنيات معالجة اللغات الطبيعية (NLP) وأنظمة الاستدلال المعقدة المحتملة. تُعد جودة البيانات وحوكمة البيانات أمرًا بالغ الأهمية للحفاظ على موثوقية مجموعات المعارف.

الرسوم البيانية المعرفية مقابل المفاهيم الأخرى

على الرغم من ارتباطها بأساليب تنظيم البيانات الأخرى، إلا أن الرسوم البيانية المعرفية تتميز بخصائص فريدة من نوعها:

• علم الوجود: يحدد الأنطولوجيا رسميًا أنواع الكيانات وخصائصها وعلاقاتها المتبادلة داخل مجال معين (المخطط أو المخطط). وغالبًا ما تستخدم مجموعات المعارف الأنطولوجيا كأساس هيكلي لها ولكنها تحتوي أيضًا على بيانات المثيل الفعلي (الحقائق والكيانات المحددة). تُستخدم لغات مثل لغة أنطولوجيا الويب (OWL ) لتعريف الأنطولوجيات.
• التصنيف: التصنيف هو نظام تصنيف هرمي (على سبيل المثال، تصنيف الحيوانات حسب المملكة والشعبة والفئة). أما تصنيفات الممالك فهي أكثر مرونة، حيث تمثل شبكات معقدة ومتعددة العلاقات ليست هرمية بشكل صارم.
• قواعد بيانات المتجهات: تقوم قواعد البيانات هذه بتخزين البيانات كتضمينات رقمية محسّنة لعمليات البحث عن التشابه(البحث عن المتجهات). وعلى العكس من ذلك، تمثل قواعد البيانات المتجهة علاقات صريحة ورمزية بين الكيانات. وفي حين أنهما مختلفتان، إلا أنهما يمكن أن تكونا متكاملتين؛ حيث يمكن أن توفر قواعد البيانات المتجهة سياقًا منظمًا للمعلومات المسترجعة عبر البحث المتجه.

تطبيقات في الذكاء الاصطناعي/تعلم الآلة

الرسوم البيانية المعرفية جزء لا يتجزأ من العديد من التطبيقات الذكية:

• البحث الدلالي: تستخدم محركات البحث مثل Google محركات البحث الدلالي (على سبيل المثال، الرسم البياني المعرفي من Google ) لفهم القصد من وراء الاستعلامات وتقديم نتائج أكثر صلة وسياقية تتجاوز مجرد مطابقة الكلمات الرئيسية.
• أنظمة التوصيات: من خلال نمذجة العلاقات بين المستخدمين والعناصر وسماتها، تتيح أنظمة توصيات المعرفة توصيات أكثر تطوراً وتخصيصاً في مجالات مثل التجارة الإلكترونية(الذكاء الاصطناعي في البيع بالتجزئة) وبث المحتوى.
• الإجابة عن الأسئلة وروبوتات المحادثة: توفر الروبوتات الآلية المعرفة المنظمة التي تسمح لأنظمة الذكاء الاصطناعي بالإجابة عن الأسئلة المعقدة من خلال التنقل بين علاقات الكيانات، مما يعزز قدرات الذكاء الاصطناعي التخاطبية.
• تكامل البيانات: يمكن لمجموعات المعارف توحيد البيانات من مصادر متباينة، مما يؤدي إلى إنشاء عرض متسق ومترابط للمعلومات عبر المؤسسة. وهذا أمر حيوي لتحليلات البيانات الضخمة.
• تعزيز نماذج الذكاء الاصطناعي الأخرى: يمكن أن توفر نماذج المعرفة الأساسية معرفة خلفية سياقية لمهام الذكاء الاصطناعي الأخرى. على سبيل المثال، في الرؤية الحاسوبية (CV)، يمكن أن تربط KG بين الأشياء المكتشفة بواسطة نماذج مثل Ultralytics YOLOv8 بالمعلومات ذات الصلة بخصائصها أو وظائفها أو تفاعلاتها، مما يؤدي إلى فهم أغنى للمشهد. تقوم المنصات مثل Ultralytics HUB بإدارة مجموعات البيانات والنماذج التي يمكن أن تملأ أو تستفيد من KGs.

أمثلة من العالم الحقيقي

1. تخصيص التجارة الإلكترونية: يستخدم بائع تجزئة عبر الإنترنت رسمًا بيانيًا معرفيًا يربط بين العملاء والمنتجات والعلامات التجارية والفئات وسجل المشاهدة وبيانات الشراء ومراجعات المنتجات. عندما يبحث المستخدم عن "أحذية الجري"، يساعد الرسم البياني المعرفي النظام على فهم المفاهيم ذات الصلة (على سبيل المثال، "الماراثون"، "الجري على المضمار"، علامات تجارية محددة) وتفضيلات المستخدم (المشتريات السابقة، العناصر التي تمت مشاهدتها) لتقديم نتائج بحث وتوصيات مخصصة للغاية للمنتجات التكميلية مثل الملابس أو الإكسسوارات. وهذا يعزز تجربة العميل.
2. حلول الذكاء الاصطناعي في مجال الرعاية الصحية: تقوم مؤسسة بحثية طبية ببناء رسم بياني معرفي يربط بين الأمراض والأعراض والجينات والبروتينات والبروتينات والأدوية والتجارب السريرية والمنشورات البحثية(مثل تلك المفهرسة في PubMed). يتيح ذلك للباحثين والأطباء السريريين الاستعلام عن العلاقات المعقدة، مثل "البحث عن الأدوية التي تستهدف البروتين X وتستخدم لعلاج المرض Y"، مما يسرع من اكتشاف الأدوية ويوفر دعمًا لاتخاذ القرارات المتعلقة بالتشخيص بناءً على بيانات الأعراض المترابطة وبيانات المرضى، مما قد يحسن من تحليل الصور الطبية.