Gráfico de conhecimento

Um gráfico de conhecimento é um modelo que organiza e liga informações de várias fontes para representar o conhecimento sobre um domínio de uma forma estruturada e semelhante à humana. Ao contrário de uma base de dados tradicional que armazena dados em tabelas, um gráfico de conhecimento capta a informação como uma rede de entidades (objectos do mundo real, eventos, situações ou conceitos abstractos) e as relações entre elas. Esta estrutura permite que os sistemas de IA compreendam o contexto, façam inferências e respondam a perguntas complexas de forma mais eficaz do que através da simples correspondência de palavras-chave. O conceito é uma componente essencial da Web Semântica, cujo objetivo é tornar os dados da Internet legíveis por máquinas.

A estrutura de um gráfico de conhecimento consiste em nós (entidades), arestas (relações) e propriedades (atributos que descrevem as entidades). Por exemplo, num grafo sobre filmes, "Leonardo DiCaprio" seria um nó de entidade, "actuou em" seria uma aresta de relação e "Titanic" seria outro nó de entidade. O nó "Leonardo DiCaprio" pode também ter propriedades como "Data de nascimento". Os gráficos de conhecimento público mais proeminentes incluem o Knowledge Graph da Google e projectos de código aberto como a DBpedia.

Aplicações em IA e aprendizagem automática

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

• Pesquisa semântica: Os motores de busca utilizam gráficos de conhecimento para compreender a intenção subjacente às consultas e fornecer resultados mais relevantes e contextuais para além da simples correspondência de palavras-chave. Isto permite-lhes responder a perguntas diretas como "quem é o CEO da Apple" percorrendo o gráfico.
• Sistemas de recomendação: Ao modelar as relações entre utilizadores, itens e respectivos atributos, os gráficos de conhecimento permitem recomendações mais sofisticadas e personalizadas em áreas como a IA no retalho e o streaming de conteúdos.
• Resposta a perguntas e Chatbots: Os gráficos de conhecimento fornecem conhecimentos estruturados que permitem aos sistemas de IA responder a perguntas complexas navegando nas relações entre entidades, melhorando as capacidades da IA de conversação.
• Integração de dados: Os gráficos de conhecimento podem unificar dados de fontes díspares, criando uma visão consistente e interligada da informação numa organização. Isto é vital para a análise de Big Data e é frequentemente consultado utilizando linguagens como SPARQL.
• Melhorar outros modelos de IA: Os gráficos de conhecimentos podem fornecer conhecimentos contextuais de base para outras tarefas de IA. Por exemplo, na Visão por Computador (CV), um gráfico pode ligar objectos identificados por modelos como o Ultralytics YOLO11 a informações sobre as suas propriedades ou funções, levando a uma compreensão mais rica da cena. Plataformas como o Ultralytics HUB gerem os conjuntos de dados e os modelos que podem tirar partido deste conhecimento estruturado.

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 e dados de compras. Quando um utilizador procura "ténis de corrida", o gráfico ajuda o sistema a compreender conceitos relacionados (por exemplo, "maratona", "trail running") e as preferências do utilizador para fornecer resultados altamente personalizados e recomendações de produtos complementares. Isto melhora a experiência geral 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, medicamentos e publicações de investigação a partir de fontes como a PubMed. Isto permite aos investigadores consultar relações complexas, tais como "Encontrar medicamentos que tenham como alvo a proteína X e sejam utilizados para tratar a doença Y", acelerando a descoberta de medicamentos e melhorando o apoio ao diagnóstico para a análise de imagens médicas.

Gráfico de conhecimento vs. conceitos relacionados

• Base de dados: Uma base de dados relacional tradicional armazena dados em tabelas predefinidas e rígidas com linhas e colunas. Um gráfico de conhecimento utiliza uma estrutura gráfica flexível (nós e arestas), que é mais adequada para representar relações complexas e evolutivas e inferir novas ligações. As bases de dados de grafos modernas, como o Neo4j, foram concebidas especificamente para gerir esta estrutura.
• Pesquisa vetorial: Este é um método para encontrar itens semelhantes com base na proximidade das suas incorporações vectoriais. Embora as bases de dados vectoriais sejam altamente eficientes para pesquisas de semelhança, não armazenam explicitamente relações como um gráfico de conhecimento. Os grafos de conhecimento definem ligações explícitas, enquanto a pesquisa vetorial encontra ligações implícitas com base em caraterísticas aprendidas.
• Grandes Modelos Linguísticos (LLMs): Os LLMs armazenam conhecimentos implicitamente nos seus parâmetros após terem sido treinados com grandes quantidades de texto. Os grafos de conhecimento armazenam conhecimentos de forma explícita e verificável. Podem ser utilizados em conjunto; um LLM pode responder a uma consulta recuperando primeiro informações factuais de um gráfico de conhecimentos para reduzir as alucinações e garantir a exatidão, uma técnica central para a Geração Aumentada de Recuperação (RAG).