الرسم البياني المعرفي

الرسم البياني المعرفي هو نموذج ينظم المعلومات ويربطها من مصادر مختلفة لتمثيل المعرفة حول مجال ما بطريقة منظمة تشبه الإنسان. على عكس قاعدة البيانات التقليدية التي تخزن البيانات في جداول، فإن الرسم البياني المعرفي يلتقط المعلومات كشبكة من الكيانات (كائنات أو أحداث أو مواقف أو مفاهيم مجردة في العالم الحقيقي) والعلاقات بينها. وتسمح هذه البنية لأنظمة الذكاء الاصطناعي بفهم السياق واستخلاص الاستدلالات والإجابة على الأسئلة المعقدة بشكل أكثر فعالية من مجرد مطابقة الكلمات الرئيسية. ويعد هذا المفهوم مكونًا أساسيًا من مكونات الويب الدلالي، ويهدف إلى جعل بيانات الإنترنت قابلة للقراءة الآلية.

تتكون بنية الرسم البياني المعرفي من عقد (كيانات) وحواف (علاقات) وخصائص (سمات تصف الكيانات). على سبيل المثال، في الرسم البياني الخاص بالأفلام، سيكون "ليوناردو دي كابريو" عقدة كيان، و"مثل في" حافة علاقة، و"تايتانيك" عقدة كيان آخر. قد تحتوي عقدة "ليوناردو دي كابريو" أيضًا على خصائص مثل "تاريخ الميلاد". تتضمن الرسوم البيانية المعرفية العامة البارزة الرسم البياني المعرفي الخاص بجوجل والمشاريع مفتوحة المصدر مثل DBpedia.

تطبيقات في الذكاء الاصطناعي والتعلم الآلي

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

• البحث الدلالي: تستخدم محركات البحث الرسوم البيانية المعرفية لفهم القصد من وراء الاستعلامات وتقديم نتائج أكثر صلة وسياقية تتجاوز مجرد مطابقة الكلمات الرئيسية. وهذا يسمح لهم بالإجابة على الأسئلة المباشرة مثل "من هو الرئيس التنفيذي لشركة Apple" من خلال اجتياز الرسم البياني.
• أنظمة التوصيات: من خلال نمذجة العلاقات بين المستخدمين والعناصر وسماتها، تتيح الرسوم البيانية المعرفية توصيات أكثر تطوراً وتخصيصاً في مجالات مثل الذكاء الاصطناعي في البيع بالتجزئة وبث المحتوى.
• الإجابة عن الأسئلة وروبوتات المحادثة: توفر الرسوم البيانية المعرفية معرفة منظمة تسمح لأنظمة الذكاء الاصطناعي بالإجابة عن الأسئلة المعقدة من خلال التنقل بين علاقات الكيانات، مما يعزز قدرات الذكاء الاصطناعي التخاطبي.
• تكامل البيانات: يمكن للرسوم البيانية المعرفية أن توحد البيانات من مصادر متباينة، مما يؤدي إلى إنشاء عرض متسق ومترابط للمعلومات عبر المؤسسة. وهذا أمر حيوي لتحليلات البيانات الضخمة وغالبًا ما يتم الاستعلام عنها باستخدام لغات مثل SPARQL.
• تعزيز نماذج الذكاء الاصطناعي الأخرى: يمكن أن توفر الرسوم البيانية المعرفية معرفة خلفية سياقية لمهام الذكاء الاصطناعي الأخرى. على سبيل المثال، في مجال الرؤية الحاسوبية، يمكن للرسم البياني أن يربط بين الكائنات التي تم تحديدها بواسطة نماذج مثل Ultralytics YOLO11 بمعلومات حول خصائصها أو وظائفها، مما يؤدي إلى فهم أغنى للمشهد. تقوم منصات مثل Ultralytics HUB بإدارة مجموعات البيانات والنماذج التي يمكنها الاستفادة من هذه المعرفة المنظمة.

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. عندما يبحث المستخدم عن "أحذية الجري"، يساعد الرسم البياني النظام على فهم المفاهيم ذات الصلة (على سبيل المثال، "الماراثون" و"الجري على الطريق") وتفضيلات المستخدم لتقديم نتائج وتوصيات مخصصة للغاية للمنتجات التكميلية. وهذا يعزز تجربة العميل بشكل عام.
2. حلول الذكاء الاصطناعي في مجال الرعاية الصحية: تقوم مؤسسة أبحاث طبية ببناء رسم بياني معرفي يربط بين الأمراض والأعراض والجينات والأدوية والمنشورات البحثية من مصادر مثل PubMed. يتيح ذلك للباحثين الاستعلام عن العلاقات المعقدة، مثل "البحث عن الأدوية التي تستهدف البروتين X وتستخدم لعلاج المرض Y"، مما يسرع من اكتشاف الأدوية ويحسن الدعم التشخيصي لتحليل الصور الطبية.

الرسم البياني المعرفي مقابل المفاهيم ذات الصلة

• قاعدة البيانات: تقوم قاعدة البيانات العلائقية التقليدية بتخزين البيانات في جداول جامدة ومحددة مسبقًا ذات صفوف وأعمدة. أما الرسم البياني المعرفي فيستخدم بنية رسم بياني مرن (عقد وحواف)، وهو الأنسب لتمثيل العلاقات المعقدة والمتطورة واستنتاج روابط جديدة. تم تصميم قواعد بيانات الرسم البياني الحديثة مثل Neo4j خصيصًا لإدارة هذه البنية.
• البحث عن المتجهات: هذه طريقة للعثور على العناصر المتشابهة استنادًا إلى القرب من تضميناتها المتجهة. على الرغم من أن قواعد البيانات المتجهة فعالة للغاية في عمليات البحث عن التشابه، إلا أنها لا تخزن العلاقات بشكل صريح كما يفعل الرسم البياني المعرفي. تحدد الرسوم البيانية المعرفية الروابط الصريحة، بينما يعثر البحث عن المتجهات على الروابط الضمنية بناءً على الميزات المكتسبة.
• نماذج اللغات الكبيرة (LLMs): تقوم النماذج اللغوية الكبيرة بتخزين المعرفة ضمنيًا في بارامتراتها بعد تدريبها على كميات هائلة من النصوص. تخزن الرسوم البيانية المعرفية المعرفة بشكل صريح ويمكن التحقق منها. ويمكن استخدامهما معًا؛ فقد تجيب نماذج اللغات الكبيرة على استعلام ما من خلال استرجاع المعلومات الواقعية أولاً من الرسم البياني المعرفي لتقليل الهلوسة وضمان الدقة، وهي تقنية أساسية في التوليد المعزز للاسترجاع (RAG).