Knowledge Graph
Узнай, как графы знаний (knowledge graphs) организуют реальные сущности и взаимосвязи для ИИ. Открой для себя, как использовать Ultralytics YOLO26 для извлечения узлов и улучшения моделей машинного обучения.
Граф знаний — это структурированное представление реальных сущностей и взаимосвязей между ними. В отличие от стандартной базы данных, хранящей информацию в жестких строках и столбцах, граф знаний организует данные как сеть узлов (представляющих объекты, людей или концепции) и ребер (представляющих связи или взаимодействия между этими узлами). Такая структура имитирует то, как люди систематизируют информацию, позволяя системам искусственного интеллекта (ИИ) понимать контекст, выводить новые факты и рассуждать о данных более семантичным и взаимосвязанным способом.
Link to this sectionПонимание 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, например, численность населения города или показатель уверенности при обнаружении объекта.
Эта сетеподобная структура позволяет системам выполнять семантический поиск, при котором движок понимает намерение пользователя, а не просто ищет совпадения по ключевым словам. Например, знание того, что "Jaguar" — это и животное, и автомобильный бренд, позволяет системе различать результаты в зависимости от контекста.
Link to this sectionИнтеграция с машинным обучением#
Графы знаний становятся все более важными для улучшения моделей машинного обучения (ML). Хотя модели глубокого обучения превосходно распознают статистические закономерности, им часто не хватает фактической базы. Интеграция графа знаний позволяет моделям получить доступ к проверенной "картине мира".
- Retrieval-Augmented Generation (RAG): Генеративные модели иногда могут выдавать правдоподобную, но неверную информацию. Обогащая Большие языковые модели (LLM) графом знаний, ИИ-агенты могут обращаться к проверенному источнику истины перед генерацией ответа. Это значительно уменьшает галлюцинации в LLM и повышает фактическую точность для корпоративных приложений.
- Системы рекомендаций: В ИИ для розничной торговли графы отображают сложные связи между пользователями и продуктами. Если клиент покупает камеру, граф понимает функциональную связь с "SD-картами" или "штативами", что позволяет делать более умные предложения, чем простая совместная фильтрация.
Link to this sectionПример кода: извлечение сущностей для графа#
Модели компьютерного зрения служат отличными точками входа для наполнения графов знаний, идентифицируя физические сущности в реальном мире. Следующий фрагмент Python демонстрирует, как использовать модель Ultralytics YOLO26 для обнаружения объектов на изображении. Эти обнаруженные классы могут выступать в качестве узлов, которые затем связываются 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}")Link to this sectionРеальные приложения#
-
Разработка 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 баз данных вроде UniProt, алгоритмы могут предсказывать потенциальные мишени для лекарств и побочные эффекты, ускоряя разработку новых методов лечения.
-
Цифровые двойники цепочек поставок: Логистические компании применяют графы знаний для создания "цифрового двойника" своих операций. Узлы представляют поставщиков, склады и запасы, а ребра — маршруты доставки и зависимости. Эта структура облегчает аналитику Big Data, позволяя менеджерам прогнозировать задержки и динамически оптимизировать маршруты.
Link to this sectionГрафы 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 них, граф знаний (часто хранящийся в Графовой базе данных) рассматривает связь как первоклассный объект. Обход соединений происходит мгновенно, что делает графы предпочтительными для задач с высокой взаимосвязанностью данных, таких как выявление мошеннических схем или анализ социальных сетей. В то время как RDBMS превосходит в хранении и извлечении конкретных записей, графы знаний лучше подходят для поиска закономерностей и скрытых инсайтов в самих связях.
Link to this sectionПерспективы мультимодального ИИ#
Будущее графов знаний лежит в области мультимодального обучения. 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, а "видят" мир, связывая визуальные концепции с лингвистическими определениями. Используя платформу Ultralytics, ты можешь обучать эти специализированные модели зрения распознавать пользовательские сущности, фактически создавая органы чувств для нового поколения ИИ-систем, осознающих знания.
