Ein Wissensgraph organisiert Informationen, indem er reale Entitäten (wie Menschen, Orte, Organisationen oder Konzepte) miteinander verbindet und die Beziehungen zwischen ihnen beschreibt. Er funktioniert wie eine intelligente Karte des Wissens, in der Punkte Entitäten darstellen und die Linien, die sie verbinden, zeigen, wie sie zusammenhängen. Dieser strukturierte Ansatz ist für Systeme der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) von entscheidender Bedeutung, denn er ermöglicht es ihnen, Zusammenhänge zu verstehen, Schlussfolgerungen zu ziehen und effektiver auf Informationen zuzugreifen als bei der Suche in unstrukturierten Texten oder isolierten Datenbanken. KGs bilden das semantische Rückgrat für viele fortschrittliche KI-Anwendungen.
Kernkonzepte
Wissensgraphen bestehen aus Knoten (die Entitäten oder Konzepte darstellen) und Kanten (die die Beziehungen oder Prädikate darstellen, die diese Knoten verbinden). Ein Knoten könnte zum BeispielUltralytics YOLO" und ein anderer"Objekterkennung" heißen; eine Kante mit der Bezeichnung "ist ein Typ von" könnte sie verbinden. Diese Struktur ermöglicht die Abfrage komplexer Beziehungen und die Durchführung von Schlussfolgerungen, z. B. das Ableiten neuer Fakten aus den vorhandenen verbundenen Daten. Schlüsseltechnologien bilden die Grundlage für KGs: Standards wie das Resource Description Framework (RDF) bieten ein gemeinsames Modell für die Datendarstellung, während Abfragesprachen wie SPARQL das Abrufen von Informationen auf der Grundlage von Graphenmustern ermöglichen. Der Aufbau von KGs beinhaltet oft die Extraktion von Informationen aus verschiedenen Quellen, einschließlich strukturierter Daten (wie Datenbanken) und unstrukturierter Texte, wobei häufig Techniken der natürlichen Sprachverarbeitung (NLP) und potenziell komplexe Schlussfolgerungssysteme zum Einsatz kommen. Datenqualität und Data Governance sind entscheidend für die Pflege zuverlässiger KGs.
Wissensgraphen vs. andere Konzepte
Obwohl sie mit anderen Methoden der Datenorganisation verwandt sind, besitzen Wissensgraphen einzigartige Eigenschaften:
- Ontologie: Eine Ontologie definiert formal die Arten, Eigenschaften und Zusammenhänge von Entitäten innerhalb eines bestimmten Bereichs (das Schema oder die Blaupause). KGs nutzen oft eine Ontologie als strukturelle Grundlage, enthalten aber auch die eigentlichen Instanzdaten (die spezifischen Fakten und Entitäten). Sprachen wie die Web Ontology Language (OWL) werden verwendet, um Ontologien zu definieren.
- Taxonomie: Eine Taxonomie ist ein hierarchisches Klassifizierungssystem (z. B. die Einteilung von Tieren nach Reich, Stamm, Klasse). KGs sind flexibler und stellen komplexe, multirelationale Netzwerke dar, die nicht streng hierarchisch sind.
- Vektordatenbanken: Diese Datenbanken speichern Daten als numerische Einbettungen, die für die Ähnlichkeitssuche(Vektorsuche) optimiert sind. KGs hingegen stellen explizite, symbolische Beziehungen zwischen Entitäten dar. Obwohl sie sich unterscheiden, können sie sich gegenseitig ergänzen. KGs können einen strukturierten Kontext für Informationen liefern, die über die Vektorsuche abgerufen werden.
Anwendungen in AI/ML
Wissensgraphen sind ein wesentlicher Bestandteil zahlreicher intelligenter Anwendungen:
- Semantische Suche: Suchmaschinen wie Google nutzen KGs (z. B. den Google Knowledge Graph), um die Absicht hinter einer Suchanfrage zu verstehen und relevantere, kontextbezogene Ergebnisse zu liefern, die über den einfachen Abgleich von Suchbegriffen hinausgehen.
- Empfehlungssysteme: Durch die Modellierung von Beziehungen zwischen Nutzern, Gegenständen und deren Eigenschaften ermöglichen KGs ausgefeiltere und personalisierte Empfehlungen in Bereichen wie E-Commerce(KI im Einzelhandel) und Content-Streaming.
- Fragebeantwortung und Chatbots: KGs bieten strukturiertes Wissen, das es KI-Systemen ermöglicht, komplexe Fragen zu beantworten, indem sie durch die Beziehungen zwischen Entitäten navigieren und so die Konversationsfähigkeiten von KI verbessern.
- Datenintegration: KGs können Daten aus unterschiedlichen Quellen zusammenführen und so eine konsistente und vernetzte Sicht auf die Informationen in einem Unternehmen schaffen. Dies ist für Big Data-Analysen unerlässlich.
- Verbesserung anderer KI-Modelle: KGs können kontextbezogenes Hintergrundwissen für andere KI-Aufgaben liefern. In der Computer Vision (CV) könnte ein KG zum Beispiel Objekte verknüpfen, die von Modellen wie Ultralytics YOLOv8 erkannte Objekte mit Informationen über ihre Eigenschaften, Funktionen oder Interaktionen verknüpfen, was zu einem umfassenderen Verständnis der Szene führt. Plattformen wie Ultralytics HUB verwalten Datensätze und Modelle, die potenziell KGs befüllen oder nutzen können.
Beispiele aus der realen Welt
- Personalisierung im E-Commerce: Ein Online-Händler verwendet einen Wissensgraphen, der Kunden, Produkte, Marken, Kategorien, Kaufdaten und Produktbewertungen miteinander verbindet. Wenn ein Nutzer nach "Laufschuhen" sucht, hilft der KG dem System, verwandte Konzepte (z. B. "Marathon", "Trailrunning", bestimmte Marken) und die Vorlieben des Nutzers (frühere Käufe, angesehene Artikel) zu verstehen, um hoch personalisierte Suchergebnisse und Empfehlungen für ergänzende Produkte wie Kleidung oder Zubehör zu liefern. So wird das Kundenerlebnis verbessert.
- KI-Lösungen im Gesundheitswesen: Eine medizinische Forschungseinrichtung baut einen Wissensgraphen auf, der Krankheiten, Symptome, Gene, Proteine, Medikamente, klinische Studien und Forschungspublikationen(wie die in PubMed indexierten) miteinander verbindet. Dadurch können Forscher/innen und Kliniker/innen komplexe Zusammenhänge abfragen, wie z. B. "Finde Medikamente, die auf Protein X abzielen und zur Behandlung von Krankheit Y eingesetzt werden", was die Entdeckung von Medikamenten beschleunigt und Entscheidungshilfen für Diagnosen auf der Grundlage von verknüpften Symptom- und Patientendaten bietet und möglicherweise die medizinische Bildanalyse verbessert.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
AR
TR
VI
