Knowledge Graph
Impara come i knowledge graph organizzano entità e relazioni del mondo reale per l'IA. Scopri come usare Ultralytics YOLO26 per estrarre nodi e migliorare i modelli ML.
Un knowledge graph è una rappresentazione strutturata di entità del mondo reale e delle relazioni tra di esse. A differenza di un database standard che archivia i dati in righe e colonne rigide, un knowledge graph organizza le informazioni come una rete di nodi (che rappresentano oggetti, persone o concetti) e archi (che rappresentano le connessioni o interazioni tra tali nodi). Questa struttura imita il modo in cui gli esseri umani organizzano le informazioni, consentendo ai sistemi di intelligenza artificiale (AI) di comprendere il contesto, dedurre nuovi fatti e ragionare sui dati in modo più semantico e interconnesso.
Link to this sectionComprendere la struttura#
Al centro di un knowledge graph ci sono tre componenti principali che formano "triple" (Soggetto-Predicato-Oggetto):
- Nodi (Entità): Sono i punti dati distinti, come "Londra", "Python" o "Ultralytics YOLO26". Nelle attività di computer vision, questi potrebbero rappresentare oggetti rilevati come una "Auto" o un "Pedone".
- Archi (Relazioni): Queste linee distinte collegano i nodi e definiscono come si relazionano tra loro. Ad esempio, un arco potrebbe etichettare la relazione tra "Londra" e "UK" come "is_capital_of".
- Attributi (Proprietà): Dettagli aggiuntivi che descrivono un nodo, come la popolazione di una città o il punteggio di confidenza di un rilevamento di oggetti.
Questa struttura simile a una rete consente ai sistemi di eseguire la ricerca semantica, in cui il motore comprende l'intento dell'utente invece di limitarsi a trovare corrispondenze tra parole chiave. Ad esempio, sapere che "Jaguar" è sia un animale che un marchio di auto consente al sistema di differenziare i risultati in base al contesto.
Link to this sectionIntegrazione con il Machine Learning#
I knowledge graph sono sempre più vitali per potenziare i modelli di machine learning (ML). Sebbene i modelli di deep learning eccellano nel riconoscimento di pattern statistici, spesso mancano di una base fattuale. L'integrazione di un knowledge graph consente ai modelli di accedere a una "visione del mondo" verificata.
- Retrieval-Augmented Generation (RAG): I modelli generativi a volte possono produrre informazioni plausibili ma errate. Basando i Large Language Models (LLMs) su un knowledge graph, gli agenti AI possono interrogare una fonte di verità verificata prima di generare una risposta. Ciò riduce significativamente le allucinazioni negli LLM e migliora l'accuratezza fattuale per le applicazioni aziendali.
- Sistemi di raccomandazione: Nell'AI nel retail, i grafi mappano relazioni complesse tra utenti e prodotti. Se un cliente acquista una fotocamera, il grafo comprende il collegamento funzionale con "SD Cards" o "Tripods", consentendo suggerimenti più intelligenti rispetto al semplice filtraggio collaborativo.
Link to this sectionEsempio di codice: Estrarre entità per un grafo#
I modelli di computer vision fungono da eccellenti punti di ingresso per popolare i knowledge graph identificando entità fisiche nel mondo reale. Il seguente snippet Python mostra come utilizzare il modello Ultralytics YOLO26 per rilevare oggetti in un'immagine. Queste classi rilevate possono fungere da nodi, che possono poi essere collegati in un database a grafo (come Neo4j o Amazon Neptune).
from ultralytics import YOLO
# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")
# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")
# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}
print(f"Graph Nodes: {detected_entities}")Link to this sectionApplicazioni nel mondo reale#
-
Scoperta di farmaci nell'assistenza sanitaria: I ricercatori nell'AI nel settore sanitario utilizzano i knowledge graph per modellare le interazioni biologiche. Collegando entità come geni, proteine e composti chimici da database come UniProt, gli algoritmi possono prevedere potenziali bersagli farmacologici ed effetti collaterali, accelerando lo sviluppo di nuovi trattamenti.
-
Digital Twins della Supply Chain: Le aziende di logistica impiegano i knowledge graph per creare un "digital twin" delle loro operazioni. I nodi rappresentano fornitori, magazzini e inventario, mentre gli archi rappresentano rotte di spedizione e dipendenze. Questa struttura facilita l'analisi dei Big Data, consentendo ai manager di prevedere ritardi e ottimizzare le rotte in modo dinamico.
Link to this sectionKnowledge Graph vs. database relazionali#
È importante distinguere un knowledge graph da un tradizionale Relational Database (RDBMS). Un database relazionale archivia i dati in tabelle rigide collegate da chiavi esterne, il che è efficiente per dati strutturati e transazionali (come i registri bancari). Tuttavia, interrogare relazioni complesse (ad esempio, "Trova amici di amici a cui piace la fantascienza") richiede costose operazioni di "join".
Al contrario, un knowledge graph (spesso memorizzato in un Graph Database) tratta la relazione come un cittadino di prima classe. Attraversare le connessioni è istantaneo, rendendo i grafi superiori per attività che coinvolgono dati altamente interconnessi, come anelli di rilevamento frodi o analisi di social network. Mentre l'RDBMS eccelle nell'archiviazione e nel recupero di record specifici, i knowledge graph eccellono nello scoprire pattern e intuizioni nascoste all'interno delle connessioni stesse.
Link to this sectionProspettive future con l'AI multi-modale#
Il futuro dei knowledge graph risiede nell'apprendimento multi-modale. Man mano che modelli come Ultralytics YOLO26 continuano a progredire nel rilevamento di oggetti e nella pose estimation, alimenteranno automaticamente il contesto visivo nei grafi. Ciò crea sistemi che non solo "leggono" il testo ma "vedono" il mondo, collegando concetti visivi a definizioni linguistiche. Utilizzando la Ultralytics Platform, gli sviluppatori possono addestrare questi modelli di visione specializzati a riconoscere entità personalizzate, costruendo efficacemente gli organi sensoriali per la prossima generazione di sistemi AI consapevoli della conoscenza.
