Knowledge Graph

知識グラフは、現実世界のエンティティとそれらの関係を構造化して表現したものです。データを固定的な行と列に格納する標準的なデータベースとは異なり、知識グラフは、ノード（オブジェクト、人、概念を表します）とエッジ（ノード間の接続や相互作用を表します）のネットワークとして情報を整理します。この構造は人間が情報を整理する方法を模倣しており、人工知能 (AI)システムがコンテキストを理解し、新しい事実を推論し、より意味的かつ相互接続された方法でデータを推論できるようにします。

構造の理解#

知識グラフの中核には、「トリプル」（主語・述語・目的語）を形成する3つの主要コンポーネントがあります。

• ノード（エンティティ）: これらは、「London」、「Python」、「Ultralytics YOLO26」などの個別のデータポイントです。コンピュータービジョンのタスクでは、「Car」や「Pedestrian」など、検出されたオブジェクトを表す場合があります。
• エッジ（関係）: これらの個別の線がノードを接続し、ノード間の関係を定義します。例えば、エッジによって「London」と「UK」の関係を「is_capital_of」とラベル付けできます。
• 属性（プロパティ）: 都市の人口や、オブジェクト検出の信頼度スコアなど、ノードを説明する追加情報です。

このWebのような構造により、システムはセマンティック検索を実行できます。セマンティック検索では、単にキーワードを照合するのではなく、エンジンがユーザーの意図を理解します。例えば、「Jaguar」が動物と自動車ブランドの両方を指すことを把握していれば、システムはコンテキストに基づいて結果を区別できます。

機械学習との統合#

知識グラフは、機械学習 (ML)モデルの強化において、ますます重要になっています。深層学習モデルは統計的なパターン認識に優れていますが、事実に基づく根拠を欠いていることがよくあります。知識グラフを統合すると、モデルは検証済みの「世界観」にアクセスできるようになります。

• 検索拡張生成 (RAG): 生成モデルは、もっともらしくても誤った情報を生成することがあります。知識グラフによって大規模言語モデル (LLMs)に根拠を与えることで、AIエージェントは応答を生成する前に、検証済みの信頼できる情報源に問い合わせることができます。これにより、LLMsにおけるハルシネーションが大幅に減少し、エンタープライズアプリケーションにおける事実の正確性が向上します。
• レコメンデーションシステム: 小売業におけるAIでは、グラフによってユーザーと製品の複雑な関係をマッピングします。顧客がカメラを購入した場合、グラフは「SD Cards」や「Tripods」との機能的なつながりを把握し、単純な協調フィルタリングよりも賢い提案を可能にします。

グラフからエンティティを抽出するコード例#

コンピュータービジョンモデルは、現実世界の物理的なエンティティを識別することで、知識グラフにデータを投入するための優れた入り口になります。次のPythonスニペットでは、Ultralytics YOLO26モデルを使用して画像内のオブジェクトを検出する方法を示します。検出されたクラスはノードとして機能し、その後、グラフデータベース（Neo4jやAmazon Neptuneなど）内でリンクできます。

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}")

実世界での利用例#

1. 医療における創薬: 医療におけるAIの研究者は、生物学的な相互作用をモデル化するために知識グラフを活用しています。遺伝子、タンパク質、UniProtなどのデータベースにある化合物といったエンティティを関連付けることで、アルゴリズムは潜在的な創薬標的や副作用を予測し、新しい治療法の開発を加速できます。

2. サプライチェーンのデジタルツイン: 物流企業は知識グラフを活用して、業務の「デジタルツイン」を作成しています。ノードはサプライヤー、倉庫、在庫を表し、エッジは輸送ルートと依存関係を表します。この構造により、ビッグデータ分析が容易になり、管理者は遅延を予測し、ルートを動的に最適化できます。

知識グラフとリレーショナルデータベースの比較#

知識グラフと従来の**リレーショナルデータベース (RDBMS)**を区別することが重要です。リレーショナルデータベースは、外部キーで関連付けられた固定的なテーブルにデータを格納します。これは、銀行の元帳など、構造化されたトランザクションデータに適しています。しかし、「SFが好きな友人の友人を検索する」といった複雑な関係をクエリするには、コストの高い「結合」操作が必要になります。

これに対して、知識グラフ（グラフデータベースに格納されることが多い）は、関係を第一級の要素として扱います。接続のたどり処理が瞬時に行われるため、不正検出リングやソーシャルネットワーク分析など、高度に相互接続されたデータを扱うタスクではグラフが優れています。RDBMSが特定のレコードの保存と取得に優れている一方で、知識グラフは接続そのものに含まれるパターンや隠れた洞察の発見に優れています。

マルチモーダルAIの将来展望#

知識グラフの将来は、マルチモーダル学習にあります。Ultralytics YOLO26などのモデルがオブジェクト検出や姿勢推定の分野で進化し続けるにつれて、視覚的なコンテキストを自動的にグラフへ取り込むようになります。これにより、テキストを「読む」だけでなく、世界を「見る」システムが実現し、視覚的な概念と言語による定義を関連付けられるようになります。Ultralytics Platformを使用すると、開発者はこれらの専門的なビジョンモデルをトレーニングしてカスタムエンティティを認識させることができ、次世代の知識対応AIシステムの感覚器官を効果的に構築できます。