Knowledge Graph

Граф знаний — это структурированное представление реальных сущностей и связей между ними. В отличие от стандартной базы данных, которая хранит данные в жестких строках и столбцах, граф знаний организует информацию как сеть 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, выводить новые факты и рассуждать о данных более семантическим и взаимосвязанным образом.

Понимание структуры#

В основе графа знаний лежат три основных компонента, образующих «триплеты» (Субъект-Предикат-Объект):

• Узлы (Сущности): Это отдельные точки данных, такие как "Лондон", "Python" или "Ultralytics YOLO26". В задачах компьютерного зрения это могут быть обнаруженные объекты, например "Автомобиль" или "Пешеход".
• Ребра (Взаимосвязи): Эти линии соединяют узлы и определяют характер их связи. Например, ребро может обозначать связь между "Лондоном" и "Великобританией" как "является_столицей_".
• Атрибуты (свойства): Дополнительные детали, описывающие узел, такие как численность населения города или оценка уверенности для обнаружения объектов.

Эта сетевая структура позволяет системам выполнять семантический поиск, при котором механизм понимает намерение пользователя, а не просто сопоставляет ключевые слова. Например, понимание того, что «Jaguar» является одновременно животным и автомобильным брендом, позволяет системе различать результаты в зависимости от контекста.

Интеграция с машинным обучением#

Графы знаний приобретают все большее значение для улучшения моделей машинного обучения (МО). В то время как модели глубокого обучения преуспевают в статистическом распознавании образов, им часто не хватает фактического обоснования. Интеграция графа знаний позволяет моделям получать доступ к проверенной «картине мира».

• Генерация с дополненным извлечением (RAG): Генеративные модели иногда могут выдавать правдоподобную, но неверную информацию. Обосновывая большие языковые модели (LLM) графом знаний, ИИ-агенты могут запрашивать проверенный источник истины перед генерацией ответа. Это значительно снижает галлюцинации в LLM и повышает фактическую точность для корпоративных приложений.
• Рекомендательные системы: В сфере ИИ в ритейле графы отображают сложные связи между пользователями и продуктами. Если покупатель приобретает камеру, граф понимает функциональную связь с «SD-картами» или «штативами», что позволяет давать более умные рекомендации, чем простое коллаборативное фильтрование.

Пример кода: извлечение сущностей для графа#

Модели компьютерного зрения служат отличными отправными точками для наполнения графов знаний путем идентификации физических сущностей в реальном мире. Следующий фрагмент на Python демонстрирует, как использовать модель Ultralytics YOLO26 для обнаружения объектов на изображении. Эти обнаруженные классы могут выступать в качестве узлов, которые затем можно связать в графовой базе данных (например, 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}")

Реальные приложения#

1. Открытие лекарств в здравоохранении: Исследователи в области ИИ в здравоохранении используют графы знаний для моделирования биологических взаимодействий. Связывая такие сущности, как гены, белки и химические соединения из таких баз данных, как UniProt, алгоритмы могут прогнозировать потенциальные мишени лекарств и побочные эффекты, ускоряя разработку новых методов лечения.

2. ЦТ 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. Эта структура облегчает аналитику 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 (например, банковских реестров). Однако для запроса сложных связей (например, "найди друзей друзей, которые любят научную фантастику") требуются затратные операции объединения "join".

В отличие от этого, граф знаний (часто хранимый в графовой базе данных) рассматривает отношение как первоклассный объект. Обход связей происходит мгновенно, что делает графы превосходящими для задач, связанных с высоко взаимосвязанными данными, такими как кольца обнаружения мошенничества или анализ социальных сетей. В то время как реляционные СУБД превосходны в хранении и извлечении конкретных записей, графы знаний преуспевают в обнаружении паттернов и скрытых инсайтов внутри самих связей.

Перспективы мультимодального ИИ#

Будущее графов знаний заключается в модальности обучения с несколькими типами данных. По мере того как такие модели, как Ultralytics YOLO26, продолжают совершенствоваться в обнаружении объектов и оценке позы, они будут автоматически передавать визуальный контекст в графы. Это создает системы, которые не просто «читают» текст, но и «видят» мир, связывая визуальные концепции с лингвистическими определениями. Используя платформу Ultralytics, разработчики могут обучать эти специализированные модели зрения распознавать пользовательские сущности, эффективно создавая сенсорные органы для нового поколения систем ИИ, обладающих знаниями.