Grafico della conoscenza

Un grafo della conoscenza è un modello che organizza e collega le 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 grafo della conoscenza cattura le 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 intelligenza artificiale 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 dalla macchina.

La struttura di un grafo della conoscenza è costituita da nodi (entità), bordi (relazioni) e proprietà (attributi che descrivono le entità). Ad esempio, in un grafo sui film, "Leonardo DiCaprio" sarebbe un nodo di entità, "ha recitato in" sarebbe un bordo di relazione e "Titanic" sarebbe un altro nodo di entità. Il nodo "Leonardo DiCaprio" potrebbe anche avere proprietà come "Data di nascita". Tra i grafi di conoscenza pubblici più importanti vi sono il Knowledge Graph di Google e progetti open-source come DBpedia.

Applicazioni nell'IA e nell'apprendimento automatico

I grafi della conoscenza sono parte integrante di numerose applicazioni intelligenti:

• Ricerca semantica: I motori di ricerca utilizzano i grafi di conoscenza per comprendere l'intento delle query e fornire risultati più pertinenti e contestuali rispetto alla semplice corrispondenza delle parole chiave. Ciò consente di rispondere a domande dirette come "chi è l'amministratore delegato di Apple" attraversando il grafo.
• Sistemi di raccomandazione: Modellando le relazioni tra gli utenti, gli oggetti e i loro attributi, i grafi della conoscenza consentono raccomandazioni più sofisticate e personalizzate in settori come l 'intelligenza artificiale nella vendita al dettaglio e lo streaming di contenuti.
• Risposta alle domande e chatbot: I grafi della conoscenza forniscono una conoscenza strutturata che consente ai sistemi di IA di rispondere a domande complesse navigando nelle relazioni tra entità, migliorando le capacità dell'IA conversazionale.
• Integrazione dei dati: I grafi della conoscenza possono unificare i dati provenienti da fonti diverse, creando una visione coerente e interconnessa delle informazioni in tutta l'organizzazione. Questo è fondamentale per l'analisi dei Big Data e spesso viene interrogato utilizzando linguaggi come SPARQL.
• Potenziamento di altri modelli di IA: I grafi della conoscenza possono fornire conoscenze di base contestuali per altri compiti 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 del mondo reale

1. Personalizzazione dell'e-commerce: Un rivenditore online utilizza un grafo di conoscenza che collega clienti, prodotti, marchi, categorie, cronologia delle visualizzazioni e dati di acquisto. Quando un utente cerca "scarpe da corsa", il grafo aiuta il sistema a comprendere i concetti correlati (ad esempio, "maratona", "trail running") e le preferenze dell'utente per fornire risultati altamente personalizzati e raccomandazioni per prodotti complementari. Questo migliora l'esperienza complessiva del cliente.
2. Soluzioni di intelligenza artificiale nell'assistenza sanitaria: 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, ad esempio "Trova i farmaci che hanno come bersaglio la proteina X e sono utilizzati per trattare la malattia Y", accelerando la scoperta di farmaci e migliorando il supporto diagnostico per l'analisi delle immagini mediche.

Grafico della conoscenza vs. concetti correlati

• Database: Un database relazionale tradizionale memorizza i dati in tabelle predefinite e rigide con righe e colonne. Un grafo della conoscenza utilizza una struttura a grafo flessibile (nodi e bordi), più adatta a rappresentare relazioni complesse e in evoluzione e a dedurre nuove connessioni. I moderni database a grafo come Neo4j sono progettati specificamente per gestire questa struttura.
• Ricerca vettoriale: È un metodo per trovare elementi simili in base alla vicinanza delle loro incorporazioni vettoriali. Sebbene i database vettoriali siano molto efficienti per le ricerche di somiglianza, non memorizzano esplicitamente le relazioni come fa un grafo della conoscenza. I grafi di conoscenza definiscono connessioni esplicite, mentre la ricerca vettoriale trova quelle implicite sulla base di caratteristiche apprese.
• Modelli linguistici di grandi dimensioni (LLM): Gli LLM memorizzano la conoscenza implicitamente nei loro parametri dopo essere stati addestrati su grandi quantità di testo. I grafi della conoscenza memorizzano la conoscenza in modo esplicito e verificabile. Possono essere usati insieme; un LLM potrebbe rispondere a una domanda recuperando prima le informazioni fattuali da un grafo della conoscenza per ridurre le allucinazioni e garantire l'accuratezza, una tecnica centrale nella Retrieval-Augmented Generation (RAG).