용어집

지식 그래프

지식 그래프가 복잡한 관계를 모델링하여 AI에 혁신을 가져오고, 시맨틱 검색, 개인 맞춤형 추천 등을 가능하게 하는 방법을 알아보세요.

지식 그래프는 사물, 사건, 상황, 추상적 개념 등 실제 세계의 실체 네트워크에 정보를 구성하고 통합하는 포괄적인 데이터 모델입니다. 개체와 개체 간의 명시적인 관계로 정보를 구성하고 통합하는 포괄적인 데이터 모델입니다. 데이터를 저장하는 딱딱한 행과 열로 데이터를 저장하는 표준 관계형 데이터베이스와 달리, 지식 그래프는 데이터를 상호 연결된 엔티티의 상호 연결된 노드와 에지로 이루어진 유연한 웹으로 데이터를 구조화합니다. 이 아키텍처는 인간이 사실을 인지적으로 연관시키는 방식을 반영합니다, 이를 통해 인공 지능(AI) 시스템 추론하고, 문맥을 추론하고, 방대한 데이터 세트 내에서 숨겨진 패턴을 발견할 수 있습니다. 이 시맨틱 구조는 시맨틱 웹의 기본 시맨틱 웹의 기본 요소로, 데이터를 기계가 읽을 수 있고 기계가 읽을 수 있고 본질적으로 연결되는 프레임워크를 만듭니다.

지식 그래프의 구조는 두 가지 주요 구성 요소로 이루어져 있습니다. 엔티티(예: "알버트 아인슈타인" 또는 "상대성 이론")를 나타내는 노드와 노드와 엔티티 간의 관계를 정의하는 이들 간의 관계를 정의합니다(예: "제안자"). 다음과 같은 표준을 준수함으로써 이러한 그래프를 사용하면 서로 다른 데이터 소스를 통합할 수 있습니다. 대표적인 구현 사례는 다음과 같습니다. Google 지식 그래프, 검색 엔진 결과를 향상시키는 Google의 지식 그래프와 다음과 같은 커뮤니티 중심 프로젝트가 있습니다. 위키데이터.

AI 및 머신러닝 분야에서의 응용

지식 그래프는 다양한 기능을 발전시키는 데 중추적인 역할을 합니다. 다양한 머신 러닝(ML) 기능을 발전시키는 데 통계 모델이 놓칠 수 있는 구조화된 컨텍스트를 제공합니다.

시맨틱 검색: 기존 검색 엔진은 키워드 매칭에 의존하는 경우가 많습니다. 지식 그래프는 엔진이 쿼리 뒤에 숨은 '의도'를 이해할 수 있도록 를 이해할 수 있게 해줍니다. 예를 들어, '재규어'를 검색하면 동물 또는 자동차 브랜드를 의미할 수 있습니다. 지식 그래프는 문맥을 사용하여 용어를 모호하지 않게 함으로써 보다 정확한 결과를 제공합니다.
추천 시스템: In 이 그래프는 사용자와 제품, 구매 행동 간의 복잡한 사용자, 제품, 구매 행동 간의 복잡한 관계를 매핑합니다. 예를 들어 사용자가 카메라를 구매하면 그래프는 다른 사람이 구매했기 때문이 아니라 다른 사람이 구매했기 때문이 아니라, 기능적으로 관련된 액세서리이기 때문에 기능적으로 관련된 액세서리이기 때문입니다.
검색 증강 생성(RAG): 대규모 언어 모델(LLM)은 그럴듯하지만 부정확한 정보를 생성할 수 있습니다. 다음을 통해 지식 그래프를 통합하면 검색 증강 생성(RAG)을 통해 지식 그래프를 통합하면 AI 에이전트가 응답을 생성하기 전에 검증된 진실 소스를 쿼리할 수 있으므로, LLM에서 발생하는 환상을 크게 줄이고 사실 정확도를 향상시킬 수 있습니다.
컴퓨터 비전(CV) 컨텍스트: 비전 모델은 객체를 detect 지식 그래프는 장면을 이해합니다. 그래프는 감지된 "헬멧"과 "조끼"를 "안전 규정 준수"라는 개념과 연결하여 산업 모니터링을 위한 고도의 산업 모니터링을 위한 추론이 가능합니다.

코드 예제: 그래프에 대한 엔티티 추출

다음 Python 스니펫은 다음을 사용하는 방법을 보여줍니다. Ultralytics YOLO11 모델을 사용하여 이미지에서 객체를 detect 방법을 보여줍니다. 이러한 감지는 지식 그래프를 채우는 엔티티 노드 역할을 하여 이미지에 포함된 개체와 이미지를 연결할 수 있습니다. 개체와 연결합니다.

from ultralytics import YOLO

# Load the official YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Extract entities to populate a knowledge graph node
graph_entities = []
for box in results[0].boxes:
    class_id = int(box.cls)
    entity_label = results[0].names[class_id]
    confidence = float(box.conf)
    # Create a simplified node representation
    graph_entities.append({"entity": entity_label, "type": "Object", "confidence": confidence})

print(graph_entities)

실제 사례

의료 분야의 신약 개발: 다음 분야에서 의료 분야의 AI 연구자들은 지식 그래프를 활용하여 복잡한 생물학적 상호작용을 모델링합니다. 유전자, 단백질, 질병, 약물과 같은 엔티티를 PubMed와 같은 데이터베이스에서 PubMed와 UniProt과 같은 데이터베이스의 유전자, 단백질, 질병, 약물 등의 개체를 연결함으로써 알고리즘은 잠재적인 약물 표적과 부작용을 예측할 수 있습니다. 이는 수작업으로 간과할 수 있는 명확하지 않은 연관성을 식별하여 약물 발견 프로세스를 가속화합니다. 의료 이미지 분석 또는 문헌 리뷰.
공급망 최적화: 물류 회사는 지식 그래프를 사용하여 공급망의 디지털 트윈을 생성합니다. 디지털 트윈을 생성합니다. 노드는 공급업체, 창고, 부품 및 제품을 나타내며, 에지는 배송 경로 또는 조립 종속성을 나타냅니다. 이 구조는 다음을 가능하게 합니다. 빅 데이터 분석, 기업이 쿼리할 수 있는 그래프를 쿼리하여 지연을 예측하고, 경로를 최적화하고, 기존보다 더 효과적으로 재고 위험을 관리할 수 있습니다. 스프레드시트.