Knowledge Graph
Узнай, как графы знаний организуют сущности и связи реального мира для ИИ. Изучи использование Ultralytics YOLO26 для извлечения узлов и улучшения моделей ML.
Граф знаний — это структурированное представление сущностей реального мира и связей между ними. В отличие от стандартной базы данных, которая хранит данные в жестко заданных строках и столбцах, граф знаний организует информацию в виде сети узлов (представляющих объекты, людей или концепции) и рёбер (представляющих связи или взаимодействия между этими узлами). Эта структура имитирует то, как люди организуют информацию, позволяя системам искусственного интеллекта (AI) понимать контекст, выводить новые факты и рассуждать о данных более семантически и взаимосвязанно.
Понимание структуры#
В основе графа знаний лежат три основных компонента, образующих «тройки» (субъект-предикат-объект):
- Узлы (сущности): Это отдельные точки данных, такие как «Лондон», «Python» или «Ultralytics YOLO26». В задачах компьютерного зрения они могут представлять обнаруженные объекты, например «автомобиль» или «пешеход».
- Рёбра (связи): Эти отдельные линии соединяют узлы и определяют их взаимосвязь. Например, ребро может обозначать связь между «Лондоном» и «Великобританией» как «is_capital_of».
- Атрибуты (свойства): Дополнительные сведения, описывающие узел, например численность населения города или оценка достоверности обнаружения объекта.
Эта структура, напоминающая сеть, позволяет системам выполнять семантический поиск, при котором поисковая система понимает намерение пользователя, а не просто сопоставляет ключевые слова. Например, знание о том, что «ягуар» — это и животное, и марка автомобиля, позволяет системе различать результаты с учетом контекста.
Интеграция с машинным обучением#
Графы знаний становятся всё более важными для совершенствования моделей машинного обучения (ML). Хотя модели глубокого обучения отлично распознают статистические закономерности, им часто не хватает фактической основы. Интеграция графа знаний позволяет моделям получать доступ к проверенной «картине мира».
- Генерация с дополнением поиска (RAG): Генеративные модели иногда создают правдоподобную, но неверную информацию. Если снабдить большие языковые модели (LLMs) графом знаний, AI-агенты смогут обращаться к проверенному источнику достоверных данных перед формированием ответа. Это значительно сокращает число галлюцинаций в LLMs и повышает фактическую точность приложений для корпоративного использования.
- Рекомендательные системы: В сфере AI в розничной торговле графы отображают сложные связи между пользователями и товарами. Если клиент покупает камеру, граф понимает функциональную связь с «SD-картами» или «штативами», обеспечивая более интеллектуальные рекомендации, чем простая коллаборативная фильтрация.
Пример кода: извлечение сущностей для графа#
Модели компьютерного зрения служат отличной отправной точкой для наполнения графов знаний, поскольку выявляют физические сущности в реальном мире. В следующем фрагменте кода на Python показано, как использовать модель Ultralytics YOLO26 для обнаружения объектов на изображении. 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}")Практические применения#
-
Открытие лекарств в здравоохранении: Исследователи в области AI в здравоохранении используют графы знаний для моделирования биологических взаимодействий. Связывая такие сущности, как гены, белки и химические соединения, из баз данных, например UniProt, алгоритмы могут прогнозировать потенциальные мишени лекарств и побочные эффекты, ускоряя разработку новых методов лечения.
-
Цифровые двойники цепочек поставок: Логистические компании используют графы знаний для создания «цифрового двойника» своих операций. Узлы представляют поставщиков, склады и запасы, а рёбра — маршруты перевозок и зависимости. Такая структура упрощает аналитику больших данных, позволяя менеджерам прогнозировать задержки и динамически оптимизировать маршруты.
Графы знаний и реляционные базы данных#
Важно отличать граф знаний от традиционной реляционной базы данных (RDBMS). Реляционная база данных хранит данные в жестко заданных таблицах, связанных внешними ключами, что эффективно для структурированных транзакционных данных, например банковских реестров. Однако для запросов сложных связей, например «найти друзей друзей, которым нравится научная фантастика», требуются затратные операции «соединения».
В отличие от неё, граф знаний (часто хранящийся в графовой базе данных) рассматривает связь как полноправный элемент. Обход связей выполняется мгновенно, поэтому графы лучше подходят для задач, связанных с тесно взаимосвязанными данными, таких как обнаружение мошеннических сетей или анализ социальных сетей. Хотя RDBMS превосходит графы знаний в хранении и извлечении конкретных записей, графы знаний лучше выявляют закономерности и скрытые сведения непосредственно в связях.
Перспективы мультимодального AI#
Будущее графов знаний связано с мультимодальным обучением. 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 позволит создавать системы, которые не только «читают» текст, но и «видят» мир, связывая визуальные концепции с языковыми определениями. Используя Ultralytics Platform, разработчики смогут обучать специализированные модели компьютерного зрения распознавать пользовательские сущности, фактически создавая органы чувств для следующего поколения AI-систем, учитывающих знания.
