Knowledge Graph

ナレッジグラフとは、現実世界のエンティティとそれらの間の関係性を構造的に表現したものです。データを厳格な行と列で格納する標準的なデータベースとは異なり、ナレッジグラフは情報をノード（オブジェクト、人物、または概念を表す）とエッジ（それらのノード間の接続や相互作用を表す）のネットワークとして整理します。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、よりセマンティックで相互接続された方法でデータについて推論することを可能にします。

Link to this section構造を理解する#

ナレッジグラフの中核には、「トリプル」（主語-述語-目的語）を形成する3つの主要な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」といった明確なデータポイントです。コンピュータビジョンのタスクでは、これらは「Car」や「Pedestrian」のように検出されたオブジェクトを表す場合があります。
• エッジ（関係性）: これらの明確な線はノード同士を接続し、それらがどのように関連しているかを定義します。例えば、あるエッジは「London」と「UK」の関係に「is_capital_of」（～の首都である）というラベルを付けることができます。
• 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の詳細情報です。

このウェブ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るようになり、エンジンは単なるキーワードの一致ではなく、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であることを知っていれば、システムはコンテキストに基づいて検索結果を区別できます。

Link to this section機械学習との統合#

ナレッジグラフは、機械学習 (ML) モデルを強化するためにますます不可欠なものとなっています。ディープラーニングモデルは統計的なパターン認識に優れていますが、多くの場合、事実に基づいた裏付けが欠けています。ナレッジグラフを統合することで、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、もっともらしいが誤った情報を生成することがあります。ナレッジグラフを使用して大規模言語モデル (LLM) の基盤を固めることで、AIエージェントは回答を生成する前に検証済みの信頼できるソースに問い合わせることができます。これにより、LLM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: AI in retail では、グラフがユーザーと製品の間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」への機能的なリンクを理解し、単純な協調フィルタリングよりもスマートな提案を可能にします。

Link to this sectionコード例：グラフ用のエンティティ抽出#

コンピュータビジョンモデルは、現実世界の物理的エンティティを特定することにより、ナレッジグラフを構築するための優れた入り口として機能します。以下のPythonスニペットは、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ています。これらの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）内でリンクさせることができます。

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}")

Link to this section実社会での応用#

1. ヘルスケアにおける創薬: AI in healthcare の研究者は、生物学的な相互作用をモデル化するためにナレッジグラフを活用しています。UniProt のようなデータベースから遺伝子、タンパク質、化学化合物などのエンティティをリンクさせることで、アルゴリズムは潜在的な創薬ターゲットや副作用を予測し、新しい治療法の開発を加速させることができます。

2. サプライチェーンのデジタルツイン: 物流企業はナレッジグラフを採用して、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、エッジは配送ルートや依存関係を表します。この構造はビッグデータ分析を促進し、管理者が遅延を予測してルートを動的に最適化できるようにします。

Link to this sectionナレッジグラフとリレーショナルデータベースの比較#

ナレッジグラフを従来型のリレーショナルデータベース (RDBMS) と区別することは重要です。リレーショナルデータベースは、外部キーでリンクされた厳格なテーブルにデータを格納します。これは、構造化されたトランザクションデータ（銀行の台帳など）には効率的です。しかし、複雑な関係性（例：「SFが好きな友人の友人を見つける」）をクエリするには、コストのかかる「結合（join）」操作が必要になります。

対照的に、ナレッジグラフ（多くの場合Graph Databaseに格納される）は関係をファーストクラスのオブジェクトとして扱います。接続を辿る処理は瞬時に行われるため、不正検出のネットワークやソーシャルネットワーク分析など、相互接続性の高いデータを扱うタスクにおいてグラフは優れています。RDBMSは特定のレコードの保存と取得に優れていますが、ナレッジグラフは接続そのものの中に潜むパターンや隠れた洞察を発見することに長けています。

Link to this sectionマルチモーダルAIによる将来の展望#

ナレッジグラフの未来はマルチモーダル学習にあります。Ultralytics YOLO26 のようなモデルがオブジェクト検出やポーズ推定において進化し続けるにつれ、それらは視覚的なコンテキストを自動的にグラフへ供給するようになります。これにより、テキストを「読む」だけでなく、世界を「見る」ことができ、視覚的概念と言語的な定義を結びつけるシステムが構築されます。Ultralytics Platform を使用することで、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、次世代のナレッジを意識したAIシステムの感覚器官を効果的に構築できます。