Knowledge Graph

Um grafo de conhecimento é uma representação estruturada de entidades do mundo real e das relações entre elas. Ao contrário de um banco de dados convencional, que armazena dados em linhas e colunas rígidas, um grafo de conhecimento organiza as informações como uma rede de nós (que representam objetos, pessoas ou conceitos) e arestas (que representam as conexões ou interações entre esses nós). Essa estrutura imita a forma como os seres humanos organizam as informações, permitindo que os sistemas de inteligência artificial (AI) compreendam o contexto, deduzam novos fatos e raciocinem sobre os dados de uma forma mais semântica e interconectada.

Compreender a estrutura#

No centro de um grafo de conhecimento estão três componentes principais que formam "triplas" (Sujeito-Predicado-Objeto):

• Nós (entidades): Estes são pontos de dados distintos, como "Londres", "Python" ou "Ultralytics YOLO26". Em tarefas de visão computacional, eles podem representar objetos detectados, como um "Carro" ou um "Peão".
• Arestas (relações): Estas linhas distintas conectam os nós e definem como eles se relacionam. Por exemplo, uma aresta pode identificar a relação entre "Londres" e "Reino Unido" como "é_capital_de".
• Atributos (propriedades): Detalhes adicionais que descrevem um nó, como a população de uma cidade ou o índice de confiança de uma deteção de objetos.

Essa estrutura semelhante a uma teia permite que os sistemas realizem pesquisa semântica, na qual o mecanismo compreende a intenção do utilizador em vez de apenas corresponder a palavras-chave. Por exemplo, saber que "Jaguar" é tanto um animal como uma marca de automóveis permite que o sistema diferencie os resultados com base no contexto.

Integração com a aprendizagem automática#

Os grafos de conhecimento são cada vez mais importantes para melhorar os modelos de aprendizado de máquina (ML). Embora os modelos de aprendizagem profunda sejam excelentes no reconhecimento estatístico de padrões, muitas vezes carecem de fundamentação factual. A integração de um grafo de conhecimento permite que os modelos acedam a uma "visão do mundo" verificada.

• Geração aumentada por recuperação (RAG): Os modelos generativos podem, por vezes, produzir informações plausíveis, mas incorretas. Ao fundamentar os modelos de linguagem de grande escala (LLMs) com um grafo de conhecimento, os agentes de AI podem consultar uma fonte de verdade verificada antes de gerar uma resposta. Isso reduz significativamente as alucinações em LLMs e melhora a precisão factual em aplicações empresariais.
• Sistemas de recomendação: Na AI no retalho, os grafos mapeiam relações complexas entre utilizadores e produtos. Se um cliente comprar uma câmara, o grafo compreende a ligação funcional com "Cartões SD" ou "Tripés", permitindo sugestões mais inteligentes do que a simples filtragem colaborativa.

Exemplo de código: extração de entidades para um grafo#

Os modelos de visão computacional são excelentes pontos de partida para preencher grafos de conhecimento, identificando entidades físicas no mundo real. O seguinte trecho de código Python demonstra como utilizar o modelo Ultralytics YOLO26 para detetar objetos numa imagem. Estas classes detetadas podem funcionar como nós, que podem depois ser ligados numa base de dados de grafos (como o Neo4j ou o Amazon Neptune).

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}")

Aplicações no mundo real#

1. Descoberta de medicamentos na área da saúde: Os investigadores em AI na área da saúde utilizam grafos de conhecimento para modelar interações biológicas. Ao ligar entidades como genes, proteínas e compostos químicos provenientes de bases de dados como a UniProt, os algoritmos podem prever potenciais alvos de medicamentos e efeitos secundários, acelerando o desenvolvimento de novos tratamentos.

2. Gémeos digitais da cadeia de abastecimento: As empresas de logística utilizam grafos de conhecimento para criar um "gémeo digital" das suas operações. Os nós representam fornecedores, armazéns e inventário, enquanto as arestas representam rotas de expedição e dependências. Esta estrutura facilita a análise de Big Data, permitindo que os gestores prevejam atrasos e otimizem as rotas dinamicamente.

Grafos de conhecimento vs. bases de dados relacionais#

É importante distinguir um grafo de conhecimento de uma base de dados relacional (RDBMS) tradicional. Uma base de dados relacional armazena dados em tabelas rígidas ligadas por chaves estrangeiras, o que é eficiente para dados estruturados e transacionais (como livros-razão bancários). No entanto, consultar relações complexas (por exemplo, "Encontrar amigos de amigos que gostam de ficção científica") requer operações de "junção" dispendiosas.

Em contrapartida, um grafo de conhecimento (frequentemente armazenado numa base de dados de grafos) trata a relação como um elemento de primeira classe. Percorrer conexões é instantâneo, tornando os grafos superiores para tarefas que envolvem dados altamente interconectados, como redes de fraude ou análise de redes sociais. Embora os RDBMS sejam excelentes no armazenamento e na recuperação de registos específicos, os grafos de conhecimento destacam-se na descoberta de padrões e informações ocultas nas próprias conexões.

Perspetivas futuras com AI multimodal#

O futuro dos grafos de conhecimento está na aprendizagem multimodal. À medida que modelos como o Ultralytics YOLO26 continuam a avançar na deteção de objetos e na estimativa de pose, eles alimentarão automaticamente os grafos com contexto visual. Isso cria sistemas que não só "leem" texto, mas também "veem" o mundo, ligando conceitos visuais a definições linguísticas. Utilizando a Ultralytics Platform, os programadores podem treinar estes modelos de visão especializados para reconhecer entidades personalizadas, construindo efetivamente os órgãos sensoriais para a próxima geração de sistemas de AI conscientes do conhecimento.