Graphique de connaissances

Applications dans le domaine de l'IA et de l'apprentissage automatique

Les graphes de connaissances font partie intégrante de nombreuses applications intelligentes :

• Recherche sémantique: Les moteurs de recherche utilisent des graphes de connaissances pour comprendre l'intention qui sous-tend les requêtes et fournir des résultats plus pertinents et contextuels que la simple correspondance de mots-clés. Ils peuvent ainsi répondre à des questions directes telles que "qui est le PDG d'Apple" en parcourant le graphe.
• Systèmes de recommandation: En modélisant les relations entre les utilisateurs, les articles et leurs attributs, les graphes de connaissances permettent des recommandations plus sophistiquées et personnalisées dans des domaines tels que l 'intelligence artificielle dans le commerce de détail et la diffusion de contenu.
• Réponse aux questions et Chatbots: Les graphes de connaissances fournissent des connaissances structurées qui permettent aux systèmes d'IA de répondre à des questions complexes en naviguant dans les relations entre entités, améliorant ainsi les capacités de l'IA conversationnelle.
• Intégration des données : Les graphes de connaissances peuvent unifier des données provenant de sources disparates, créant ainsi une vue cohérente et interconnectée de l'information au sein d'une organisation. Cette fonction est essentielle pour l'analyse des Big Data et est souvent interrogée à l'aide de langages tels que SPARQL.
• Amélioration d'autres modèles d'IA : Les graphes de connaissances peuvent fournir des connaissances contextuelles pour d'autres tâches d'intelligence artificielle. Par exemple, dans le domaine de la vision artificielle, un graphe peut relier les objets identifiés par des modèles comme Ultralytics YOLO11 à des informations sur leurs propriétés ou leurs fonctions, ce qui permet d'enrichir la compréhension de la scène. Des plateformes comme Ultralytics HUB gèrent les ensembles de données et les modèles qui peuvent exploiter ces connaissances structurées.

Exemples concrets

1. Personnalisation du commerce électronique : Un détaillant en ligne utilise un graphe de connaissances qui relie les clients, les produits, les marques, les catégories, l'historique de consultation et les données d'achat. Lorsqu'un utilisateur recherche des "chaussures de course", le graphe aide le système à comprendre les concepts connexes (par exemple, "marathon", "course sur sentier") et les préférences de l'utilisateur afin de fournir des résultats et des recommandations hautement personnalisés pour des produits complémentaires. L'expérience globale du client s'en trouve améliorée.
2. Solutions d'IA dans le domaine de la santé: Un institut de recherche médicale crée un graphe de connaissances reliant les maladies, les symptômes, les gènes, les médicaments et les publications de recherche à partir de sources telles que PubMed. Cela permet aux chercheurs d'interroger des relations complexes, telles que "Trouver des médicaments qui ciblent la protéine X et sont utilisés pour traiter la maladie Y", ce qui accélère la découverte de médicaments et améliore l'aide au diagnostic pour l'analyse d'images médicales.

Graphique de connaissances et concepts apparentés

• Base de données : Une base de données relationnelle traditionnelle stocke les données dans des tableaux prédéfinis et rigides avec des lignes et des colonnes. Un graphe de connaissances utilise une structure graphique flexible (nœuds et arêtes), mieux adaptée à la représentation de relations complexes et évolutives et à l'inférence de nouvelles connexions. Les bases de données graphiques modernes comme Neo4j sont conçues spécifiquement pour gérer cette structure.
• Recherche vectorielle: Il s'agit d'une méthode permettant de trouver des éléments similaires sur la base de la proximité de leur intégration vectorielle. Bien que les bases de données vectorielles soient très efficaces pour les recherches de similarité, elles ne stockent pas explicitement les relations comme le fait un graphe de connaissances. Les graphes de connaissances définissent des connexions explicites, tandis que la recherche vectorielle trouve des connexions implicites basées sur des caractéristiques apprises.
• Les grands modèles de langage (LLM): Les LLM stockent des connaissances de manière implicite dans leurs paramètres après avoir été formés sur de grandes quantités de texte. Les graphes de connaissances stockent les connaissances de manière explicite et vérifiable. Ils peuvent être utilisés conjointement ; un LLM peut répondre à une requête en récupérant d'abord des informations factuelles dans un graphe de connaissances afin de réduire les hallucinations et de garantir la précision, une technique essentielle à la génération améliorée par la recherche (RAG).