Gráfico de conhecimento

Conceitos fundamentais

Os gráficos de conhecimento são constituídos por nós (que representam entidades ou conceitos) e arestas (que representam as relações ou predicados que ligam esses nós). Por exemplo, um nó pode serUltralytics YOLO" e outro"Object Detection"; uma aresta com a etiqueta "is a type of" pode ligá-los. Esta estrutura permite a consulta de relações complexas e a realização de tarefas de raciocínio, como a inferência de novos factos a partir dos dados ligados existentes. As tecnologias-chave estão na base dos GR: normas como o Resource Description Framework (RDF) fornecem um modelo comum para a representação de dados, enquanto linguagens de consulta como o SPARQL permitem a recuperação de informação com base em padrões gráficos. A construção de KGs envolve muitas vezes a extração de informação de diversas fontes, incluindo dados estruturados (como bases de dados) e texto não estruturado, utilizando frequentemente técnicas de processamento de linguagem natural (PNL) e sistemas de raciocínio potencialmente complexos. A qualidade e a governação dos dados são fundamentais para manter KGs fiáveis.

Gráficos de conhecimento vs. outros conceitos

Embora relacionados com outros métodos de organização de dados, os gráficos de conhecimento possuem caraterísticas únicas:

• Ontologia: Uma ontologia define formalmente os tipos, propriedades e inter-relações das entidades num domínio específico (o esquema ou projeto). Os KG utilizam frequentemente uma ontologia como base estrutural, mas também contêm os dados de instância reais (os factos e entidades específicos). Linguagens como a Web Ontology Language (OWL) são utilizadas para definir ontologias.
• Taxonomia: Uma taxonomia é um sistema de classificação hierárquica (por exemplo, classifica os animais por reino, filo, classe). Os KGs são mais flexíveis, representando redes complexas e multi-relacionais que não são estritamente hierárquicas.
• Bases de dados vectoriais: Estas bases de dados armazenam os dados como incorporações numéricas optimizadas para pesquisas de semelhança(pesquisa vetorial). Os KGs, pelo contrário, representam relações explícitas e simbólicas entre entidades. Embora distintos, podem ser complementares; os KGs podem fornecer um contexto estruturado para a informação obtida através da pesquisa vetorial.

Aplicações em IA/ML

Os gráficos de conhecimento são parte integrante de numerosas aplicações inteligentes:

• Pesquisa semântica: Os motores de busca como o Google utilizam KGs (por exemplo, o Google Knowledge Graph) para compreender a intenção subjacente às consultas e fornecer resultados mais relevantes e contextuais para além da simples correspondência de palavras-chave.
• Sistemas de recomendação: Ao modelar as relações entre utilizadores, itens e respectivos atributos, os KGs permitem recomendações mais sofisticadas e personalizadas em áreas como o comércio eletrónico(IA no retalho) e o streaming de conteúdos.
• Resposta a perguntas e chatbots: Os KGs fornecem conhecimentos estruturados que permitem aos sistemas de IA responder a perguntas complexas navegando nas relações entre entidades, melhorando as capacidades de IA de conversação.
• Integração de dados: Os KGs podem unificar dados de fontes diferentes, criando uma visão consistente e interconectada de informações em toda a organização. Isto é vital para a análise de Big Data.
• Melhoria de outros modelos de IA: Os KGs podem fornecer conhecimento contextual de fundo para outras tarefas de IA. Por exemplo, na Visão por Computador (CV), um KG pode ligar objectos detectados por modelos como Ultralytics YOLOv8 a informações relacionadas com as suas propriedades, funções ou interações, levando a uma compreensão mais rica da cena. Plataformas como o Ultralytics HUB gerem conjuntos de dados e modelos que podem potencialmente preencher ou aproveitar KGs.

Exemplos do mundo real

1. Personalização do comércio eletrónico: Um retalhista online utiliza um gráfico de conhecimento que liga clientes, produtos, marcas, categorias, histórico de visualizações, dados de compras e análises de produtos. Quando um utilizador procura "ténis de corrida", o KG ajuda o sistema a compreender conceitos relacionados (por exemplo, "maratona", "trail running", marcas específicas) e as preferências do utilizador (compras anteriores, itens visualizados) para fornecer resultados de pesquisa altamente personalizados e recomendações de produtos complementares, como vestuário ou acessórios. Isto melhora a experiência do cliente.
2. Soluções de IA nos cuidados de saúde: Uma instituição de investigação médica constrói um gráfico de conhecimentos que liga doenças, sintomas, genes, proteínas, medicamentos, ensaios clínicos e publicações de investigação(como as indexadas no PubMed). Isto permite que os investigadores e os médicos consultem relações complexas, tais como "Encontra medicamentos que tenham como alvo a proteína X e que sejam utilizados para tratar a doença Y", acelerando a descoberta de medicamentos e fornecendo apoio à decisão para diagnósticos com base em dados interligados de sintomas e de pacientes, melhorando potencialmente a análise de imagens médicas.