Граф знаний

Граф знаний — это структурированное представление реальных объектов и взаимосвязей между ними. В отличие от стандартной базы данных, в которой данные хранятся в жестких строках и столбцах, граф знаний организует информацию в виде сети узлов (представляющих объекты, людей или концепции) и ребер (представляющих связи или взаимодействия между этими узлами). Эта структура имитирует то, как люди организуют информацию, позволяя системам искусственного интеллекта (ИИ) понимать контекст, делать выводы о новых фактах и рассуждать о данных более семантическим и взаимосвязанным образом.

Понимание структуры

В основе графа знаний лежат три основных компонента, которые образуют «тройки» (субъект-предикат-объект):

• Узлы (сущности): это отдельные точки данных, такие как «Лондон», «Python» илиUltralytics ». В задачах компьютерного зрения они могут представлять обнаруженные объекты, такие как «Автомобиль» или «Пешеход».
• Ребра (отношения): эти отчетливые линии соединяют узлы и определяют, как они связаны между собой. Например, ребро может обозначить отношение между «Лондоном» и «Великобританией» как «is_capital_of» (является столицей).
• Атрибуты (свойства): дополнительные сведения, описывающие узел, например население города или показатель достоверности обнаружения объекта.

Эта паутинообразная структура позволяет системам выполнять семантический поиск, при котором движок понимает намерения пользователя, а не просто сопоставляет ключевые слова. Например, зная, что «Jaguar» — это и животное, и марка автомобилей, система может различать результаты на основе контекста.

Интеграция с машинным обучением

Графы знаний становятся все более важными для улучшения моделей машинного обучения (ML). Хотя модели глубокого обучения превосходны в распознавании статистических паттернов, им часто не хватает фактической основы. Интеграция графа знаний позволяет моделям получить доступ к проверенному «мировоззрению».

• Поисковое генерирование (RAG):генеративные модели иногда могут генерировать правдоподобную, но неверную информацию. Опираясь на большие языковые модели (LLM) с графиком знаний, ИИ-агенты могут запрашивать проверенный источник достоверной информации перед генерацией ответа. Это значительно уменьшает количество ошибок в LLM и повышает точность фактов для корпоративных приложений.
• Системы рекомендаций:в сфере искусственного интеллекта в розничной торговле графики отображают сложные взаимосвязи между пользователями и продуктами. Если покупатель приобретает фотоаппарат, график понимает функциональную связь с «SD-картами» или «штативами», что позволяет давать более умные рекомендации, чем простая совместная фильтрация.

Пример кода: Извлечение сущностей из графика

Модели компьютерного зрения служат отличными отправными точками для заполнения графов знаний путем идентификации физических объектов в реальном мире. Следующий Python демонстрирует, как использовать модель Ultralytics для detect на изображении. Обнаруженные классы могут выступать в качестве узлов, которые затем можно связать в графовой базе данных (такой как Neo4j или 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}")

Применение в реальном мире

1. Открытие лекарственных препаратов в здравоохранении: Исследователи в области ИИ в здравоохранении используют графы знаний для моделирования биологических взаимодействий. Связывая такие объекты, как гены, белки и химические соединения из баз данных типа UniProt, алгоритмы могут предсказывать потенциальные мишени лекарственных препаратов и побочные эффекты, ускоряя разработку новых методов лечения.
2. Цифровые двойники цепочки поставок: Логистические компании используют графы знаний для создания «цифрового двойника» своих операций. Узлы представляют поставщиков, склады и запасы, а ребра — маршруты доставки и зависимости. Такая структура облегчает анализ больших данных, позволяя менеджерам прогнозировать задержки и динамически оптимизировать маршруты.

Графы знаний против реляционных баз данных

Важно отличать граф знаний от традиционной реляционной базы данных (RDBMS). Реляционная база данных хранит данные в жестких таблицах, связанных внешними ключами, что эффективно для структурированных транзакционных данных (таких как банковские книги). Однако запрос сложных отношений (например, «Найти друзей друзей, которые любят научную фантастику») требует дорогостоящих операций «соединения».

Напротив, граф знаний (часто хранящийся в графовой базе данных) рассматривает отношения как первостепенный элемент. Обход связей происходит мгновенно, что делает графы превосходным инструментом для задач, связанных с высокоинтерконнектированными данными, такими как обнаружение мошеннических схем или анализ социальных сетей. В то время как RDBMS превосходит графы в хранении и извлечении конкретных записей, графы знаний превосходят их в обнаружении паттернов и скрытых инсайтов в самих связях.

Перспективы будущего с мультимодальным ИИ

Будущее графов знаний лежит в мультимодальном обучении. По мере того, как модели, такие как Ultralytics , продолжают совершенствоваться в области обнаружения объектов и оценки положения, они будут автоматически вводить визуальный контекст в графы. Это создает системы, которые не только «читают» текст, но и «видят» мир, связывая визуальные концепции с лингвистическими определениями. Используя Ultralytics , разработчики могут обучать эти специализированные модели зрения распознавать пользовательские объекты, эффективно создавая сенсорные органы для следующего поколения AI-систем, основанных на знаниях.