График знаний

Граф знаний - это модель, которая организует и связывает информацию из различных источников, чтобы представить знания о какой-либо области в структурированном, похожем на человеческий, виде. В отличие от традиционной базы данных, где данные хранятся в таблицах, граф знаний представляет информацию в виде сети сущностей (объектов реального мира, событий, ситуаций или абстрактных понятий) и связей между ними. Такая структура позволяет системам искусственного интеллекта понимать контекст, делать выводы и отвечать на сложные вопросы более эффективно, чем простое сопоставление ключевых слов. Эта концепция является основным компонентом Семантической паутины, призванной сделать интернет-данные машиночитаемыми.

Структура графа знаний состоит из узлов (сущностей), ребер (отношений) и свойств (атрибутов, описывающих сущности). Например, в графе о фильмах "Леонардо Ди Каприо" будет узлом сущности, "снялся в" - ребром отношения, а "Титаник" - другим узлом сущности. Узел "Леонардо Ди Каприо" может также иметь такие свойства, как "Дата рождения". К известным публичным графам знаний относятся Граф знаний Google и проекты с открытым исходным кодом, такие как DBpedia.

Приложения в искусственном интеллекте и машинном обучении

Графы знаний являются неотъемлемой частью многочисленных интеллектуальных приложений:

• Семантический поиск: Поисковые системы используют графы знаний для понимания смысла запросов и предоставления более релевантных, контекстных результатов, не ограничиваясь простым подбором ключевых слов. Это позволяет им отвечать на такие прямые вопросы, как "кто является генеральным директором Apple", проходя по графу.
• Рекомендательные системы: Моделируя отношения между пользователями, предметами и их атрибутами, графы знаний позволяют создавать более сложные и персонализированные рекомендации в таких областях, как искусственный интеллект в розничной торговле и потоковая передача контента.
• Ответы на вопросы и чат-боты: Графы знаний предоставляют структурированные знания, которые позволяют системам ИИ отвечать на сложные вопросы, ориентируясь на отношения между сущностями, что расширяет возможности разговорного ИИ.
• Интеграция данных: Графы знаний позволяют объединить данные из разрозненных источников, создавая согласованное и взаимосвязанное представление информации в организации. Это жизненно важно для аналитики Больших Данных и часто запрашивается с помощью таких языков, как SPARQL.
• Улучшение других моделей ИИ: Графы знаний могут предоставлять контекстные фоновые знания для других задач ИИ. Например, в компьютерном зрении (CV) граф может связать объекты, идентифицированные такими моделями, как Ultralytics YOLO11, с информацией об их свойствах или функциях, что приведет к более глубокому пониманию сцены. Платформы, подобные Ultralytics HUB, управляют наборами данных и моделями, которые могут использовать эти структурированные знания.

Примеры из реальной жизни

1. Персонализация в электронной коммерции: Интернет-магазин использует граф знаний, связывающий клиентов, товары, бренды, категории, историю просмотров и данные о покупках. Когда пользователь ищет "обувь для бега", граф помогает системе понять связанные понятия (например, "марафон", "бег по тропе") и предпочтения пользователя, чтобы предоставить высоко персонализированные результаты и рекомендации по дополнительным товарам. Это повышает общий уровень обслуживания покупателей.
2. Решения ИИ в здравоохранении: Медицинское исследовательское учреждение создает граф знаний, связывающий болезни, симптомы, гены, лекарства и научные публикации из таких источников, как PubMed. Это позволяет исследователям запрашивать сложные взаимосвязи, например "Найти лекарства, нацеленные на белок X и используемые для лечения болезни Y", что ускоряет поиск лекарств и улучшает диагностическую поддержку при анализе медицинских изображений.

Граф знаний по сравнению со связанными понятиями

• База данных: Традиционная реляционная база данных хранит данные в заранее определенных, жестких таблицах со строками и столбцами. Граф знаний использует гибкую структуру графа (узлы и ребра), которая лучше подходит для представления сложных, развивающихся отношений и вывода новых связей. Современные базы данных графов, такие как Neo4j, разработаны специально для управления этой структурой.
• Векторный поиск: Это метод поиска похожих объектов на основе близости их векторных вложений. Хотя векторные базы данных очень эффективны для поиска сходства, они не хранят явных связей, как это делает граф знаний. Графы знаний определяют явные связи, в то время как векторный поиск находит неявные связи на основе изученных признаков.
• Большие языковые модели (LLM): Модели LLM хранят знания в неявном виде в своих параметрах после обучения на огромных объемах текста. Графы знаний хранят знания в явном и проверяемом виде. Они могут использоваться вместе; LLM может отвечать на запрос, сначала извлекая фактическую информацию из графа знаний, чтобы уменьшить количество галлюцинаций и обеспечить точность - эта техника является основной в Retrieval-Augmented Generation (RAG).