Граф знаний

Граф знаний — это модель, которая организует и связывает информацию из различных источников для представления знаний об области в структурированном, человекоподобном виде. В отличие от традиционной базы данных, которая хранит данные в таблицах, граф знаний фиксирует информацию как сеть сущностей (реальные объекты, события, ситуации или абстрактные понятия) и отношения между ними. Эта структура позволяет системам AI понимать контекст, делать выводы и отвечать на сложные вопросы более эффективно, чем просто сопоставляя ключевые слова. Эта концепция является основным компонентом семантической сети, целью которой является сделать данные в Интернете машиночитаемыми.

Структура графа знаний состоит из узлов (сущностей), ребер (отношений) и свойств (атрибутов, описывающих сущности). Например, в графе о фильмах «Леонардо Ди Каприо» был бы узлом сущности, «снялся в» был бы ребром отношения, а «Титаник» был бы другим узлом сущности. Узел «Леонардо Ди Каприо» также может иметь такие свойства, как «Дата рождения». Известные общедоступные графы знаний включают Граф знаний Google и проекты с открытым исходным кодом, такие как DBpedia.

Применение в AI и машинном обучении

Графы знаний являются неотъемлемой частью многочисленных интеллектуальных приложений:

• Семантический поиск: Поисковые системы используют графы знаний, чтобы понять намерение, стоящее за запросами, и предоставлять более релевантные, контекстные результаты, выходящие за рамки простого сопоставления ключевых слов. Это позволяет им отвечать на прямые вопросы, такие как «кто является генеральным директором Apple», путем обхода графа.
• Системы рекомендаций: Моделируя взаимосвязи между пользователями, элементами и их атрибутами, графы знаний позволяют создавать более сложные и персонализированные рекомендации в таких областях, как ИИ 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, перемещаясь по отношениям между сущностями, расширяя возможности разговорного ИИ.
• Интеграция данных: Графы знаний могут объединять данные из разрозненных источников, создавая согласованное и взаимосвязанное представление информации в организации. Это жизненно важно для анализа больших данных и часто запрашивается с использованием языков, таких как SPARQL.
• Улучшение других моделей ИИ: Графы знаний могут предоставлять контекстную справочную информацию для других задач ИИ. Например, в компьютерном зрении (CV) граф может связывать объекты, идентифицированные такими моделями, как Ultralytics YOLO11, с информацией об их свойствах или функциях, что приводит к более глубокому пониманию сцены. Платформы, такие как Ultralytics HUB, управляют наборами данных и моделями, которые могут использовать эти структурированные знания.

Реальные примеры

1. Персонализация электронной коммерции: Интернет-магазин использует граф знаний, связывающий клиентов, продукты, бренды, категории, историю просмотров и данные о покупках. Когда пользователь ищет "кроссовки для бега", граф помогает системе понять связанные концепции (например, "марафон", "трейлраннинг") и предпочтения пользователя, чтобы предоставить максимально персонализированные результаты и рекомендации для сопутствующих товаров. Это улучшает общее качество обслуживания клиентов.
2. Решения ИИ в здравоохранении: Медицинское исследовательское учреждение создает граф знаний, связывающий заболевания, симптомы, гены, лекарства и исследовательские публикации из таких источников, как PubMed. Это позволяет исследователям запрашивать сложные взаимосвязи, такие как "Найти лекарства, которые воздействуют на белок X и используются для лечения заболевания Y", ускоряя разработку лекарств и улучшая диагностическую поддержку для анализа медицинских изображений.

Граф знаний в сравнении со смежными концепциями

• База данных: Традиционная реляционная база данных хранит данные в предопределенных, жестких таблицах со строками и столбцами. Граф знаний использует гибкую графовую структуру (узлы и ребра), которая лучше подходит для представления сложных, развивающихся взаимосвязей и вывода новых связей. Современные графовые базы данных, такие как Neo4j, разработаны специально для управления этой структурой.
• Векторный поиск: Это метод поиска похожих элементов на основе близости их векторных представлений. Хотя векторные базы данных очень эффективны для поиска сходства, они явно не хранят отношения, как это делает граф знаний. Графы знаний определяют явные связи, в то время как векторный поиск находит неявные на основе изученных признаков.
• Большие языковые модели (LLM): LLM хранят знания неявно в своих параметрах после обучения на огромных объемах текста. Графы знаний хранят знания явно и проверяемо. Их можно использовать вместе; LLM может ответить на запрос, сначала извлекая фактическую информацию из графа знаний, чтобы уменьшить галлюцинации и обеспечить точность, что является центральным методом Retrieval-Augmented Generation (RAG).