Knowledge Graph

Bir bilgi grafiği, gerçek dünyadaki varlıkların ve bunlar arasındaki ilişkilerin yapılandırılmış bir temsilidir. Verileri katı satırlarda ve sütunlarda depolayan standart bir veritabanının aksine, bilgi grafiği bilgileri düğümler (nesneleri, insanları veya kavramları temsil eden) ve kenarlar (bu düğümler arasındaki bağlantıları veya etkileşimleri temsil eden) ağı olarak düzenler. Bu yapı, insanların bilgileri nasıl organize ettiğini taklit ederek yapay zeka (AI) sistemlerinin bağlamı anlamasını, yeni gerçekler çıkararak veriler hakkında daha anlamsal ve birbirine bağlı bir şekilde akıl yürütmesini sağlar.

Yapıyı Anlamak#

"Üçlüleri" (Özne-Yüklem-Nesne) oluşturan üç ana bileşen, bir bilgi grafiğinin merkezinde yer alır:

• Düğümler (Varlıklar): Bunlar "Londra", "Python" veya "Ultralytics YOLO26" gibi birbirinden farklı veri noktalarıdır. Bilgisayarlı görü görevlerinde bunlar, "Araba" veya "Yaya" gibi tespit edilen nesneleri temsil edebilir.
• Kenarlar (İlişkiler): Bu belirgin çizgiler düğümleri birbirine bağlar ve nasıl ilişkili olduklarını tanımlar. Örneğin bir kenar, "Londra" ve "Birleşik Krallık" arasındaki ilişkiyi "is_capital_of" (başkentidir) şeklinde etiketleyebilir.
• Öznitelikler (Özellikler): Bir şehrin nücudu veya bir nesne algılamasının güven skoru gibi bir düğümü açıklayan ek detaylar.

Bu ağ benzeri yapı, motorun yalnızca anahtar kelimeleri eşleştirmekle kalmayıp kullanıcının niyetini anladığı anlamsal arama işlemlerini sistemlerin gerçekleştirmesini sağlar. Örneğin, "Jaguar" kelimesinin hem bir hayvan hem de bir araba markası olduğunu bilmek, sistemin sonuçları bağlama göre ayırt etmesini sağlar.

Makine Öğrenimi ile Entegrasyon#

makine öğrenimi (ML) modellerini geliştirmek için bilgi grafikleri giderek daha hayati hale gelmektedir. Derin öğrenme modelleri istatistiksel örüntü tanımada başarılı olsa da genellikle olgusal temelden yoksundur. Bir bilgi grafiğini entegre etmek, modellerin doğrulanmış bir "dünya görüşüne" erişmesine olanak tanır.

• Getirme Destekli Üretim (RAG): Üretken modeller bazen mantıklı ancak yanlış bilgiler üretebilir. Büyük Dil Modellerini (LLM'ler) bir bilgi grafiğiyle temellendirerek, yapay zeka ajanları bir yanıt oluşturmadan önce doğrulanmış bir hakikat kaynağını sorgulayabilir. Bu durum, LLM'lerdeki halüsinasyonları önemli ölçüde azaltır ve kurumsal uygulamalar için olgusal doğruluğu iyileştirir.
• Öneri Sistemleri: Perakendede yapay zeka alanında, grafikler kullanıcılar ve ürünler arasındaki karmaşık ilişkileri haritalandırır. Bir müşteri bir kamera satın alırsa, grafik "SD Kartlar" veya "Tripodlar" ile olan işlevsel bağı anlar ve bu da basit işbirlikçi filtrelemeden daha akıllı öneriler sunulmasını sağlar.

Kod Örneği: Bir Grafik İçin Varlıkları Çıkarma#

Bilgi modelleri, gerçek dünyadaki fiziksel varlıkları tanımlayarak bilgi grafiklerini doldurmak için mükemmel birer başlangıç noktası görevi görür. Aşağıdaki Python kod parçacığı, bir görüntüdeki nesneleri tespit etmek için Ultralytics YOLO26 modelinin nasıl kullanılacağını göstermektedir. Bu tespit edilen sınıflar, daha sonra bir grafik veritabanında (Neo4j veya Amazon Neptune gibi) bağlanabilen düğümler olarak hareket edebilir.

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}")

Gerçek Dünya Uygulamaları#

1. Sağlıkta İlaç Keşfi: Sağlıkta yapay zeka alanındaki araştırmacılar, biyolojik etkileşimleri modellemek için bilgi grafiklerinden yararlanır. UniProt gibi veritabanlarından genler, proteinler ve kimyasal bileşikler gibi varlıkları birbirine bağlayarak, algoritmalar potansiyel ilaç hedeflerini ve yan etkilerini tahmin edebilir ve yeni tedavilerin geliştirilmesini hızlandırabilir.

2. Tedarik Zinciri Dijital İkizleri: Lojistik şirketleri, operasyonlarının bir "dijital ikizini" oluşturmak için bilgi grafiklerini kullanır. Düğümler tedarikçileri, depoları ve envanteri temsil ederken kenarlar nakliye rotalarını ve bağımlılıkları temsil eder. Bu yapı Büyük Veri analitiğini kolaylaştırarak yöneticilerin gecikmeleri tahmin etmesine ve rotaları dinamik olarak optimize etmesine olanak tanır.

Bilgi Grafikleri ve İlişkisel Veritabanları#

Bir bilgi grafiğini geleneksel bir İlişkisel Veritabanından (RDBMS) ayırt etmek önemlidir. İlişkisel veritabanı, verileri yabancı anahtarlarla birbirine bağlanan katı tablolarda depolar; bu, yapılandırılmış, işlemsel veriler (banka hesap defterleri gibi) için verimlidir. Ancak karmaşık ilişkileri sorgulamak (örneğin, "bilim kurgu seven arkadaşların arkadaşlarını bul") maliyetli "birleştirme" (join) işlemleri gerektirir.

Buna karşılık, bir bilgi grafiği (genellikle bir Grafik Veritabanında depolanır) ilişkiyi birinci sınıf bir vatandaş olarak ele alır. Bağlantılar arasında geçiş yapmak anlıktır; bu da grafikleri dolandırıcılık tespiti halkaları veya sosyal ağ analizi gibi yüksek düzeyde birbirine bağlı veriler içeren görevler için üstün kılar. RDBMS belirli kayıtların depolanmasında ve alınmasında başarılı olurken, bilgi grafiklerinde bağlantıların kendi içindeki örüntüleri ve gizli içgörüleri keşfetmek öne çıkar.

Çok Modlu AI ile Geleceğe Bakış#

Bilgi grafiklerinin geleceği çok modlu öğrenmede yatmaktadır. Ultralytics YOLO26 gibi modeller nesne tespiti ve poz tahmini konularında ilerlemeye devam ettikçe, görsel bağlamı otomatik olarak grafiklere besleyecektir. Bu, yalnızca metin "okumakla" kalmayıp aynı zamanda görsel kavramları dilsel tanımlarla birbirine bağlayarak dünyayı "gören" sistemler yaratır. Ultralytics Platformu kullanılarak, geliştiriciler bu özel vizyon modellerini özel varlıkları tanımak üzere eğitebilir ve bilgi odaklı yapay zeka sistemlerinin yeni nesli için etkili bir şekilde duyusal organlar inşa edebilir.