Knowledge Graph

Un grafo della conoscenza è una rappresentazione strutturata delle 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 grafo della conoscenza organizza le informazioni come una rete di nodi (che rappresentano oggetti, persone o concetti) e archi (che rappresentano le connessioni o le 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.

Comprendere la struttura#

Al centro di un grafo della conoscenza ci sono tre componenti principali che formano le "triple" (Soggetto-Predicato-Oggetto):

• Nodi (entità): Sono i distinti punti dati, come "Londra", "Python" o "Ultralytics YOLO26". Nelle attività di computer vision, possono rappresentare oggetti rilevati come un'"Auto" o un "Pedone".
• Archi (relazioni): Queste linee distinte collegano i nodi e definiscono il loro rapporto. Ad esempio, un arco può etichettare la relazione tra "Londra" e "Regno Unito" 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 confrontare le parole chiave. Ad esempio, sapere che "Jaguar" è sia un animale sia un marchio automobilistico consente al sistema di differenziare i risultati in base al contesto.

Integrazione con il machine learning#

I grafi della conoscenza sono sempre più importanti per migliorare i modelli di machine learning (ML). Sebbene i modelli di deep learning eccellano nel riconoscimento statistico dei pattern, spesso non dispongono di un ancoraggio fattuale. L'integrazione di un grafo della conoscenza consente ai modelli di accedere a una "visione del mondo" verificata.

• Generazione aumentata dal recupero (RAG): I modelli generativi possono talvolta produrre informazioni plausibili ma errate. Ancorando i grandi modelli linguistici (LLMs) a un grafo della conoscenza, gli agenti di AI possono interrogare una fonte verificata di verità prima di generare una risposta. Ciò riduce significativamente le allucinazioni negli LLMs e migliora l'accuratezza fattuale per le applicazioni aziendali.
• Sistemi di raccomandazione: Nell'AI nel commercio al dettaglio, i grafi mappano le relazioni complesse tra utenti e prodotti. Se un cliente acquista una fotocamera, il grafo comprende il legame funzionale con le "schede SD" o i "treppiedi", consentendo suggerimenti più intelligenti rispetto al semplice filtraggio collaborativo.

Esempio di codice: estrazione di entità per un grafo#

I modelli di computer vision sono ottimi punti di partenza per popolare i grafi della conoscenza, poiché identificano le entità fisiche nel mondo reale. Il seguente frammento di Python mostra come utilizzare il modello Ultralytics YOLO26 per rilevare oggetti in un'immagine. Le classi rilevate possono fungere da nodi, che possono quindi essere collegate 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}")

Applicazioni nel mondo reale#

1. Scoperta di farmaci nel settore sanitario: I ricercatori che operano nell'AI nel settore sanitario utilizzano i grafi della conoscenza per modellare le interazioni biologiche. Collegando entità come geni, proteine e composti chimici provenienti da database come UniProt, gli algoritmi possono prevedere potenziali bersagli farmacologici ed effetti collaterali, accelerando lo sviluppo di nuovi trattamenti.

2. Gemelli digitali della catena di approvvigionamento: Le aziende logistiche utilizzano i grafi della conoscenza per creare un "gemello digitale" delle proprie attività. 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 responsabili di prevedere i ritardi e ottimizzare dinamicamente le rotte.

Grafi della conoscenza e database relazionali a confronto#

È importante distinguere un grafo della conoscenza da un tradizionale database relazionale (RDBMS). Un database relazionale archivia i dati in tabelle rigide collegate da chiavi esterne, una soluzione efficiente per dati strutturati e transazionali (come i registri bancari). Tuttavia, interrogare relazioni complesse (ad esempio, "Trova gli amici di amici a cui piace la fantascienza") richiede costose operazioni di "join".

Al contrario, un grafo della conoscenza (spesso archiviato in un database a grafo) tratta la relazione come un elemento di prima classe. Attraversare le connessioni è istantaneo, il che rende i grafi superiori per le attività che coinvolgono dati altamente interconnessi, come l'individuazione di reti di frode o l'analisi dei social network. Sebbene gli RDBMS eccellano nell'archiviazione e nel recupero di record specifici, i grafi della conoscenza eccellono nella scoperta di pattern e informazioni nascoste all'interno delle connessioni stesse.

Prospettive future con l'AI multimodale#

Il futuro dei grafi della conoscenza risiede nell'apprendimento multimodale. Man mano che modelli come Ultralytics YOLO26 continuano a migliorare nel rilevamento degli oggetti e nella stima della posa, alimenteranno automaticamente i grafi con il contesto visivo. Questo consente di creare sistemi che non si limitano a "leggere" il testo, ma "vedono" il mondo, collegando i concetti visivi alle definizioni linguistiche. Utilizzando la Ultralytics Platform, gli sviluppatori possono addestrare questi modelli di visione specializzati a riconoscere entità personalizzate, costruendo di fatto gli organi sensoriali per la prossima generazione di sistemi di AI consapevoli della conoscenza.