Bilgi Grafiği

Bilgi grafiği, bilgileri düzenleyen ve gerçek dünyadan oluşan bir ağa entegre eden kapsamlı bir veri modelidir. Nesneler, olaylar, durumlar veya soyut kavramlar gibi varlıklar ve bunlar arasındaki açık ilişkiler. Aksine Verileri katı satır ve sütunlarda depolayan standart bir ilişkisel veritabanı, bir bilgi grafiği verileri bir Birbirine bağlı düğümler ve kenarlardan oluşan esnek bir ağ. Bu mimari, insanların gerçekleri bilişsel olarak nasıl ilişkilendirdiğini yansıtmaktadır, etkinleştirme Yapay Zeka (AI) sistemleri akıl yürütme, bağlam çıkarma ve devasa veri kümelerindeki gizli örüntüleri ortaya çıkarma. Bu semantik yapı, temel bir yapıdır Semantik Web'in bir unsuru olarak, verilerin makine tarafından okunabilir ve içsel olarak bağlantılıdır.

Bir bilgi grafiğinin anatomisi iki temel bileşenden oluşur: düğümler varlıklar (örneğin, "Albert Einstein" veya "Görelilik Teorisi") ve kenarlar, ki bunlar aralarındaki ilişkiyi tanımlar (örneğin, "tarafından önerildi"). gibi standartlara bağlı kalarak Kaynak Tanımlama Çerçevesi (RDF), bu grafikler farklı veri kaynaklarının birleştirilmelidir. Öne çıkan uygulamalar şunlardır Google'ın Bilgi Grafiği, gibi topluluk odaklı projeler ve arama motoru sonuçlarını iyileştiren Wikidata.

Yapay Zeka ve Makine Öğrenmesindeki Uygulamalar

Bilgi grafikleri, çeşitli sektörlerin ilerlemesinde çok önemlidir. Makine Öğrenimi (ML) yetenekleri sağlayarak Aksi takdirde istatistiksel modellerin gözden kaçırabileceği yapılandırılmış bağlam.

• Anlamsal Arama: Geleneksel arama motorları genellikle anahtar kelime eşleştirmesine dayanır. Bilgi grafikleri, motorların "niyeti" anlamasını sağlar bir sorgunun arkasında. Örneğin, "Jaguar" araması hayvan veya araba markasına atıfta bulunabilir; bir bilgi grafiği, terimi belirsizleştirmek için bağlamı kullanır ve daha kesin sonuçlar sunar.
• Öneri Sistemleri: İçinde Perakendede yapay zeka, bu grafikler karmaşık Kullanıcılar, ürünler ve satın alma davranışları arasındaki ilişkiler. Bir kullanıcı bir kamera satın alırsa, grafik "SD Kartlar" veya "Tripodlar "a sadece başkaları satın aldığı için değil, aynı zamanda işlevsel olarak ilgili aksesuarlar.
• Geri Alımla Artırılmış Üretim (RAG): Büyük Dil Modelleri (LLM'ler) bazen makul ancak yanlış bilgiler üretebilir. aracılığıyla bir bilgi grafiğini entegre ederek Retrieval-Augmented Generation (RAG), YZ ajanları bir yanıt oluşturmadan önce doğrulanmış bir doğruluk kaynağını sorgulayabilir ve bu sayede LLM'lerde halüsinasyonlar ve iyileştirme gerçeklere dayalı doğruluk.
• Bilgisayarla Görme (CV) Bağlamı: Görme modelleri nesneleri detect eder, ancak bilgi grafikleri sahneyi anlar. Bir grafik, tespit edilen bir "kask" ve "yelek" kavramlarını "güvenlik uyumu" kavramına ekleyerek üst düzey endüstriyel izleme için gerekçe.

Kod Örneği: Bir Grafik için Varlıkları Çıkarma

Aşağıdaki Python parçacığı, aşağıdakilerin nasıl kullanılacağını göstermektedir Ultralytics YOLO11 bir görüntüdeki nesneleri detect etmek için model. Bu tespitler, bir bilgi grafiğini doldurmak için varlık düğümleri olarak hizmet edebilir ve görüntüyü nesnelere bağlayabilir. içeriyor.

from ultralytics import YOLO

# Load the official YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Extract entities to populate a knowledge graph node
graph_entities = []
for box in results[0].boxes:
    class_id = int(box.cls)
    entity_label = results[0].names[class_id]
    confidence = float(box.conf)
    # Create a simplified node representation
    graph_entities.append({"entity": entity_label, "type": "Object", "confidence": confidence})

print(graph_entities)

Gerçek Dünya Örnekleri

1. Sağlık Hizmetlerinde İlaç Keşfi: Bu alanda Sağlık hizmetlerinde yapay zeka, araştırmacılar bilgiyi kullanıyor karmaşık biyolojik etkileşimleri modellemek için grafikler. Genler, proteinler, hastalıklar ve ilaçlar gibi varlıkları birbirine bağlayarak PubMed gibi veri tabanlarından ve UniProt, algoritmalar potansiyel ilaç hedeflerini ve yan etkilerini tahmin edebilir. Bu manuel olarak gözden kaçabilecek bariz olmayan bağlantıları belirleyerek ilaç keşif sürecini hızlandırır tıbbi görüntü analizi veya literatür yorumlar.
2. Tedarik Zinciri Optimizasyonu: Lojistik şirketleri, tedarik zincirinin dijital ikizini oluşturmak için bilgi grafiklerini kullanır. tedarik zincirlerini temsil eder. Düğümler tedarikçileri, depoları, parçaları ve ürünleri temsil ederken kenarlar nakliyeyi temsil eder rotalar veya montaj bağımlılıkları. Bu yapı aşağıdakileri kolaylaştırır Büyük Veri analitiği, şirketlerin aşağıdaki verileri sorgulamasına olanak tanır gecikmeleri tahmin etmek, rotaları optimize etmek ve envanter risklerini geleneksel yöntemlere göre daha etkili bir şekilde yönetmek için grafik Elektronik tablolar.

Bilgi Grafiği ve İlgili Kavramlar

Bir bilgi grafiğinin benzersiz değerini anlamak için, onu ilgili veri yönetimi ve bilgi grafiğinden ayırmak yararlı olacaktır. arama teknolojileri.

• Vektör Veritabanı: Bir vektör veritabanı, verileri yüksek boyutlu katıştırmalar olarak depolar. benzerlik aramalarını mümkün kılar (örneğin, benzer görünen görüntüleri bulmak). için güçlü olsa da Vektör Arama, örtük matematiksel yöntemlere dayanır. yakınlık. Buna karşılık, bir bilgi grafiği açık, anlamsal bağlantılara dayanır (örneğin, "A, B'yi ima eder").
• İlişkisel Veritabanı (RDBMS): Geleneksel veritabanları (SQL gibi) verileri sabit tablolarda depolar şemalar. Yapılandırılmış işlemlerde mükemmeldirler ancak yüksek düzeyde birbirine bağlı verilerle mücadele ederler. Karmaşık sorgulama ilişkiler (örneğin, arkadaşların arkadaşlarının arkadaşları) SQL'de hesaplama açısından pahalıdır, ancak bir grafikte SPARQL veya Cypher gibi sorgu dilleri Neo4j gibi Grafik Veritabanları.
• Doğal Dil İşleme (NLP): NLP insan dilini anlamaya ve üretmeye odaklanır. Bir bilgi grafiği genellikle yapılandırılmış NLP sistemleri için "bellek", dilbilimsel yeteneklerini türetilmiş gerçek verilere dayandırmalarına olanak tanır Veri Madenciliği çalışmalarından.