مسرد المصطلحات

مخطط المعرفة

اكتشف كيف تُحدث الرسوم البيانية المعرفية ثورة في الذكاء الاصطناعي من خلال نمذجة العلاقات المعقدة، وتمكين البحث الدلالي، والتوصيات المخصصة، والمزيد.

الرسم البياني المعرفي هو نموذج بيانات شامل ينظم المعلومات ويدمجها في شبكة من الكيانات في العالم الحقيقي الكيانات الواقعية - مثل الأشياء أو الأحداث أو المواقف أو المفاهيم المجردة - والعلاقات الواضحة بينها. على عكس قاعدة البيانات العلائقية القياسية التي تخزن البيانات في صفوف وأعمدة جامدة، فإن الرسم البياني المعرفي يبني البيانات على شكل شبكة مرنة من العقد والحواف المترابطة. وتعكس هذه البنية كيفية ربط البشر للحقائق معرفيًا, مما يمكّن أنظمة الذكاء الاصطناعي (AI) من الاستدلال واستنتاج السياق والكشف عن الأنماط المخفية ضمن مجموعات البيانات الضخمة. هذه البنية الدلالية هي عنصر أساسي في الويب الدلالي، مما يخلق إطار عمل حيث تكون البيانات قابلة للقراءة آلياً ومرتبطة جوهرياً.

يتكون تشريح الرسم البياني المعرفي من مكونين أساسيين: العقد، والتي تمثل الكيانات (على سبيل المثال، "ألبرت أينشتاين" أو "النظرية النسبية")، والحواف التي التي تحدد العلاقة بينهما (مثل "مقترح من قبل"). من خلال الالتزام بمعايير مثل إطار عمل وصف الموارد (RDF)، تسمح هذه الرسوم البيانية لمصادر البيانات المتباينة المتباينة أن تكون موحدة. تشمل التطبيقات البارزة ما يلي الرسم البياني المعرفيGoogle, الذي يعزز نتائج محرك البحث، والمشاريع المجتمعية مثل ويكيبيديا.

التطبيقات في الذكاء الاصطناعي وتعلم الآلة

تُعد الرسوم البيانية المعرفية محورية في تطوير العديد من قدرات التعلم الآلي (ML) المختلفة من خلال توفير سياقًا منظمًا قد تفتقده النماذج الإحصائية.

البحث الدلالي: محركات البحث التقليدية تعتمد محركات البحث التقليدية غالبًا على مطابقة الكلمات الرئيسية. تُمكِّن الرسوم البيانية المعرفية المحركات من فهم "القصد" وراء الاستعلام. على سبيل المثال، قد يشير البحث عن "جاكوار" إلى الحيوان أو العلامة التجارية للسيارة؛ يستخدم الرسم البياني المعرفي يستخدم الرسم البياني المعرفي السياق لتمييز المصطلح وتقديم نتائج أكثر دقة.
أنظمة التوصية: في الذكاء الاصطناعي في البيع بالتجزئة، ترسم هذه الرسوم البيانية العلاقات المعقدة بين المستخدمين والمنتجات وسلوكيات الشراء. إذا اشترى أحد المستخدمين كاميرا، فإن الرسم البياني يفهم الارتباط ب "بطاقات الذاكرة الرقمية المدمجة" أو "حوامل ثلاثية القوائم" ليس فقط لأن الآخرين اشتروها، ولكن لأنها ملحقات مرتبطة وظيفيًا.
التوليد المعزز للاسترجاع (RAG): يمكن للنماذج اللغوية الكبيرة (LLMs) أن أحيانًا توليد معلومات معقولة ولكن غير صحيحة. من خلال دمج الرسم البياني المعرفي عبر الاسترجاع-التوليد المعزز (RAG)، يمكن لوكلاء الذكاء الاصطناعي الاستعلام عن مصدر الحقيقة الذي تم التحقق منه قبل توليد استجابة، مما يقلل بشكل كبير من من الهلوسات في التوليد المعرفى المعزز وتحسين الدقة الواقعية.
سياقالرؤية الحاسوبية (CV): detect نماذج الرؤية الأجسام، لكن الرسوم البيانية المعرفية تفهم المشهد. يمكن للرسم البياني أن يربط بين "الخوذة" و"السترة الواقية" بمفهوم "الامتثال للسلامة"، مما يتيح عالية المستوى للمراقبة الصناعية.

مثال على الكود: استخراج كيانات لرسم بياني

يوضّح مقتطف Python التالي كيفية استخدام مقتطف Python Ultralytics YOLO11detect الكائنات في الصورة. يمكن أن تعمل هذه الاكتشافات كعقد كيان لملء الرسم البياني المعرفي، وربط الصورة بالأشياء التي تحتوي عليها تحتويها.

from ultralytics import YOLO

# Load the official YOLO11 model
model = YOLO("yolo11n.pt")

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

# Extract entities to populate a knowledge graph node
graph_entities = []
for box in results[0].boxes:
    class_id = int(box.cls)
    entity_label = results[0].names[class_id]
    confidence = float(box.conf)
    # Create a simplified node representation
    graph_entities.append({"entity": entity_label, "type": "Object", "confidence": confidence})

print(graph_entities)

أمثلة واقعية

اكتشاف الأدوية في مجال الرعاية الصحية: في مجال الذكاء الاصطناعي في مجال الرعاية الصحية، يستخدم الباحثون لنمذجة التفاعلات البيولوجية المعقدة. من خلال الربط بين كيانات مثل الجينات والبروتينات والأمراض والأدوية من قواعد البيانات مثل PubMed و UniProt، يمكن للخوارزميات التنبؤ بالأهداف المحتملة للأدوية والآثار الجانبية. وهذا تسريع عملية اكتشاف العقاقير من خلال تحديد الروابط غير الواضحة التي قد يتم تجاهلها في التحليل اليدوي في تحليل الصور الطبية اليدوي أو المراجعات أو المراجعات.
تحسين سلسلة التوريد: توظف شركات الخدمات اللوجستية الرسوم البيانية المعرفية لإنشاء توأم رقمي لسلسلة التوريد الخاصة بها. لسلسلة التوريد الخاصة بهم. تمثل العُقد الموردين والمستودعات والأجزاء والمنتجات، بينما تمثل الحواف أو تبعيات التجميع. تسهل هذه البنية تحليلات البيانات الضخمة، مما يسمح للشركات بالاستعلام عن للتنبؤ بالتأخيرات وتحسين المسارات وإدارة مخاطر المخزون بفعالية أكبر من جداول البيانات التقليدية. التقليدية.