Knowledge Graph

Un knowledge graph è un modello che organizza e collega informazioni provenienti da varie fonti per rappresentare la conoscenza di un dominio in modo strutturato e simile a quello umano. A differenza di un database tradizionale che memorizza i dati in tabelle, un knowledge graph acquisisce informazioni come una rete di entità (oggetti del mondo reale, eventi, situazioni o concetti astratti) e le relazioni tra di esse. Questa struttura consente ai sistemi di IA di comprendere il contesto, trarre inferenze e rispondere a domande complesse in modo più efficace rispetto alla semplice corrispondenza di parole chiave. Il concetto è una componente fondamentale del Web semantico, che mira a rendere i dati di Internet leggibili dalle macchine.

La struttura di un knowledge graph è costituita da nodi (entità), archi (relazioni) e proprietà (attributi che descrivono le entità). Ad esempio, in un grafo sui film, "Leonardo DiCaprio" sarebbe un nodo entità, "ha recitato in" sarebbe un arco di relazione e "Titanic" sarebbe un altro nodo entità. Il nodo "Leonardo DiCaprio" potrebbe anche avere proprietà come "Data di nascita". Knowledge graph pubblici di rilievo includono il Knowledge Graph di Google e progetti open source come DBpedia.

Applicazioni nell'AI e nel Machine Learning

I knowledge graph sono parte integrante di numerose applicazioni intelligenti:

• Ricerca semantica: I motori di ricerca utilizzano grafi di conoscenza per comprendere l'intento dietro le query e fornire risultati più pertinenti e contestuali al di là della semplice corrispondenza di parole chiave. Ciò consente loro di rispondere a domande dirette come "chi è il CEO di Apple" attraversando il grafo.
• Sistemi di Raccomandazione: Modellando le relazioni tra utenti, elementi e i loro attributi, i knowledge graph consentono raccomandazioni più sofisticate e personalizzate in aree come l'AI nel retail e lo streaming di contenuti.
• Question Answering e Chatbot: I knowledge graph forniscono conoscenza strutturata che consente ai sistemi di intelligenza artificiale di rispondere a domande complesse navigando tra le relazioni tra entità, migliorando le capacità dell'AI conversazionale.
• Integrazione dei dati: I grafi di conoscenza possono unificare i dati provenienti da fonti disparate, creando una visione coerente e interconnessa delle informazioni all'interno di un'organizzazione. Questo è fondamentale per l'analisi dei Big Data e viene spesso interrogato utilizzando linguaggi come SPARQL.
• Miglioramento di altri modelli di IA: I knowledge graph possono fornire conoscenze di background contestuali per altre attività di IA. Ad esempio, nella Computer Vision (CV), un grafo potrebbe collegare gli oggetti identificati da modelli come Ultralytics YOLO11 a informazioni sulle loro proprietà o funzioni, portando a una comprensione più ricca della scena. Piattaforme come Ultralytics HUB gestiscono i set di dati e i modelli che possono sfruttare questa conoscenza strutturata.

Esempi reali

1. Personalizzazione dell'e-commerce: Un rivenditore online utilizza un grafo di conoscenza che collega clienti, prodotti, marchi, categorie, cronologia di visualizzazione e dati di acquisto. Quando un utente cerca "scarpe da corsa", il grafo aiuta il sistema a comprendere concetti correlati (ad esempio, "maratona", "trail running") e le preferenze dell'utente per fornire risultati e raccomandazioni altamente personalizzati per prodotti complementari. Ciò migliora l'esperienza complessiva del cliente.
2. Soluzioni IA nel settore sanitario: Un istituto di ricerca medica costruisce un grafo di conoscenza che collega malattie, sintomi, geni, farmaci e pubblicazioni di ricerca da fonti come PubMed. Ciò consente ai ricercatori di interrogare relazioni complesse, come "Trova farmaci che prendono di mira la proteina X e sono usati per trattare la malattia Y", accelerando la scoperta di farmaci e migliorando il supporto diagnostico per l'analisi di immagini mediche.

Knowledge Graph vs. Concetti correlati

• Database: Un database relazionale tradizionale memorizza i dati in tabelle rigide predefinite con righe e colonne. Un knowledge graph utilizza una struttura a grafo flessibile (nodi e archi), che è più adatta per rappresentare relazioni complesse ed evolutive e per inferire nuove connessioni. I moderni database a grafo come Neo4j sono progettati specificamente per gestire questa struttura.
• Ricerca vettoriale: Questo è un metodo per trovare elementi simili in base alla prossimità dei loro embedding vettoriali. Mentre i database vettoriali sono altamente efficienti per le ricerche di similarità, non memorizzano esplicitamente le relazioni come fa un grafo di conoscenza. I grafi di conoscenza definiscono connessioni esplicite, mentre la ricerca vettoriale trova quelle implicite in base alle caratteristiche apprese.
• Large Language Models (LLMs): Gli LLM memorizzano la conoscenza implicitamente nei loro parametri dopo essere stati addestrati su enormi quantità di testo. I knowledge graph memorizzano la conoscenza in modo esplicito e verificabile. Possono essere usati insieme; un LLM potrebbe rispondere a una query recuperando prima informazioni fattuali da un knowledge graph per ridurre le allucinazioni e garantire l'accuratezza, una tecnica fondamentale per la Retrieval-Augmented Generation (RAG).