Knowledge Graph

Ein Wissensgraph ist ein umfassendes Datenmodell, das Informationen organisiert und in ein Netzwerk von realen wie Objekten, Ereignissen, Situationen oder abstrakten Konzepten - und den expliziten Beziehungen zwischen ihnen organisiert und integriert. Im Gegensatz zu einer relationalen Standarddatenbank, die Daten in starren Zeilen und Spalten speichert, strukturiert ein Wissensgraph Daten als ein flexibles Netz aus miteinander verbundenen Knoten und Kanten. Diese Architektur spiegelt wider, wie Menschen Fakten kognitiv assoziieren, ermöglicht Künstliche Intelligenz (KI) Systeme können Schlussfolgerungen zu ziehen, Zusammenhänge abzuleiten und verborgene Muster in riesigen Datensätzen aufzudecken. Diese semantische Struktur ist ein grundlegendes Element des Semantic Web und schafft einen Rahmen, in dem Daten maschinenlesbar und eng miteinander verknüpft sind.

Die Anatomie eines Wissensgraphen besteht aus zwei Hauptkomponenten: Knoten, die die Entitäten darstellen (z. B. "Albert Einstein" oder "Relativitätstheorie"), und Kanten, die die die Beziehung zwischen ihnen definieren (z. B. "vorgeschlagen von"). Durch die Einhaltung von Standards wie dem Resource Description Framework (RDF) ermöglichen diese Graphen die Vereinheitlichung unterschiedlicher Datenquellen vereinheitlicht werden. Prominente Implementierungen sind Der Knowledge Graph vonGoogle, der die Ergebnisse von Suchmaschinen verbessert, und von der Gemeinschaft betriebene Projekte wie Wikidata.

Anwendungen in KI und maschinellem Lernen

Wissensgraphen sind von zentraler Bedeutung für die Weiterentwicklung verschiedener Fähigkeiten des maschinellen Lernens (ML), indem sie einen strukturierten Kontext, der statistischen Modellen sonst entgehen könnte.

• Semantische Suche: Herkömmliche Suchmaschinen stützen sich oft auf den Abgleich von Schlüsselwörtern. Wissensgraphen ermöglichen es den Suchmaschinen, die "Absicht" hinter einer hinter einer Anfrage. Die Suche nach "Jaguar" kann sich zum Beispiel auf das Tier oder die Automarke beziehen; ein Wissensdiagramm nutzt den Kontext, um den Begriff zu disambiguieren, und liefert so präzisere Ergebnisse.
• Empfehlungssysteme: Unter KI im Einzelhandel bilden diese Graphen komplexe Beziehungen zwischen Nutzern, Produkten und Kaufverhalten ab. Wenn ein Nutzer eine Kamera kauft, versteht der Graph die Verbindung zu "SD-Karten" oder "Stativen" nicht nur, weil andere sie gekauft haben, sondern weil es sich um funktional verwandtes Zubehör sind.
• Retrieval-Augmented Generation (RAG): Große Sprachmodelle (LLMs) können manchmal plausible, aber falsche Informationen generieren. Durch die Integration eines Wissensgraphen über Retrieval-Augmented Generation (RAG) können KI-Agenten eine verifizierte Quelle der Wahrheit abfragen, bevor sie eine Antwort erzeugen. Halluzinationen in LLMs deutlich reduzieren und die faktische Genauigkeit.
• Computer Vision (CV) Kontext: Bildverarbeitungsmodelle detect Objekte, aber Wissensgraphen verstehen die Szene. Ein Graph kann eine Verbindung zwischen einem erkannten "Helm" und "Weste" mit dem Konzept der "Sicherheitskonformität" verknüpfen, was eine Schlussfolgerung auf hoher Ebene Schlussfolgerungen für die industrielle Überwachung.

Code-Beispiel: Extrahieren von Entitäten für einen Graphen

Das folgende Python demonstriert, wie man die Ultralytics YOLO11 Modells zur detect Objekten in einem Bild. Diese Erkennungen können als Entitätsknoten dienen, um einen Wissensgraphen aufzufüllen, der das Bild mit den darin enthaltenen Objekten enthält.

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)

Beispiele aus der Praxis

1. Entdeckung von Arzneimitteln im Gesundheitswesen: Auf dem Gebiet der KI im Gesundheitswesen nutzen die Forscher Wissensgraphen Wissensgraphen, um komplexe biologische Interaktionen zu modellieren. Durch die Verknüpfung von Entitäten wie Genen, Proteinen, Krankheiten und Medikamenten aus Datenbanken wie PubMed und UniProt, können Algorithmen potenzielle Ziele und Nebenwirkungen von Medikamenten vorhersagen. Diese beschleunigt den Prozess der Arzneimittelentdeckung durch die Identifizierung nicht offensichtlicher Verbindungen, die bei der manuellen Analyse medizinischer Bilder oder der Literatur übersehen werden könnten. medizinischen Bildanalyse oder Literatur übersehen werden.
2. Optimierung der Lieferkette: Logistikunternehmen setzen Wissensgraphen ein, um einen digitalen Zwilling der ihrer Lieferkette zu erstellen. Die Knoten repräsentieren Lieferanten, Lager, Teile und Produkte, während die Kanten Versandwege Versandwege oder Montageabhängigkeiten darstellen. Diese Struktur erleichtert Big-Data-Analysen und ermöglicht Unternehmen die Abfrage des abzufragen, um Verspätungen vorherzusagen, Routen zu optimieren und Bestandsrisiken effektiver zu verwalten als mit herkömmlichen Tabellenkalkulationen.

Knowledge Graph vs. verwandte Konzepte

Um den einzigartigen Wert eines Wissensgraphen zu verstehen, ist es hilfreich, ihn von verwandten Datenmanagement- und Suchtechnologien zu unterscheiden.

• Vektor-Datenbank: Eine Vektor Datenbank speichert Daten als hochdimensionale Einbettungen, um um eine Ähnlichkeitssuche zu ermöglichen (z. B. das Auffinden von Bildern, die ähnlich aussehen). Sie ist zwar leistungsstark für die Vektorsuche ist, beruht sie auf impliziter mathematischer Nähe. Im Gegensatz dazu beruht ein Wissensgraph auf expliziten, semantischen Verbindungen (z. B. "A impliziert B").
• Relationale Datenbank (RDBMS): Traditionelle Datenbanken (wie SQL) speichern Daten in Tabellen mit festen Schemata. Sie eignen sich hervorragend für strukturierte Transaktionen, haben aber Schwierigkeiten mit stark vernetzten Daten. Die Abfrage komplexer Beziehungen (z. B. Freunde von Freunden von Freunden) ist in SQL rechenintensiv, in einem Graphen jedoch trivial, wenn Abfragesprachen wie SPARQL oder Cypher in Graphdatenbanken wie Neo4j.
• Verarbeitung natürlicher Sprache (NLP): NLP konzentriert sich auf das Verstehen und Erzeugen menschlicher Sprache. Ein Wissensgraph dient oft als strukturiertes "Gedächtnis" für NLP-Systeme, das es ihnen ermöglicht, ihre linguistischen Fähigkeiten auf faktische Daten zu stützen, die aus aus Data Mining abgeleitet werden.