Knowledge Graph

Bilgi grafiği, gerçek dünyadaki varlıkların ve aralarındaki ilişkilerin yapılandırılmış bir temsilidir. Verileri katı satır ve sütunlarda depolayan standart bir veritabanının aksine bilgi grafiği, bilgileri düğümlerden (nesneleri, kişileri veya kavramları temsil eder) ve kenarlardan (bu düğümler arasındaki bağlantıları veya etkileşimleri temsil eder) oluşan bir ağ olarak düzenler. Bu yapı, insanların bilgileri düzenleme biçimini taklit ederek yapay zekâ (AI) sistemlerinin bağlamı anlamasını, yeni gerçekleri çıkarsamasını ve veriler üzerinde daha anlamsal ve bağlantılı bir şekilde akıl yürütmesini sağlar.

Yapıyı Anlamak#

Bilgi grafiğinin temelinde, "üçlüleri" (Özne-Yüklem-Nesne) oluşturan üç ana bileşen bulunur:

• Düğümler (Varlıklar): Bunlar "Londra", "Python" veya "Ultralytics YOLO26" gibi birbirinden farklı veri noktalarıdır. Bilgisayarlı görü görevlerinde bir "Araba" veya "Yaya" gibi tespit edilen nesneleri temsil edebilirler.
• Kenarlar (İlişkiler): Bu birbirinden farklı çizgiler düğümleri birbirine bağlar ve aralarındaki ilişkiyi tanımlar. Örneğin bir kenar, "Londra" ile "Birleşik Krallık" arasındaki ilişkiyi "is_capital_of" olarak etiketleyebilir.
• Öznitelikler (Özellikler): Bir şehrin nüfusu veya bir nesne tespitinin güven skoru gibi, bir düğümü açıklayan ek ayrıntılardır.

Bu web benzeri yapı, sistemlerin yalnızca anahtar kelimeleri eşleştirmek yerine kullanıcının amacını anladığı anlamsal arama gerçekleştirmesini sağlar. Örneğin "Jaguar"ın hem bir hayvan hem de bir otomobil markası olduğunu bilmek, sistemin sonuçları bağlama göre ayırt etmesini sağlar.

Makine Öğrenimiyle Entegrasyon#

Bilgi grafikleri, makine öğrenimi (ML) modellerini geliştirmek için giderek daha önemli hâle geliyor. Derin öğrenme modelleri istatistiksel örüntü tanımada başarılı olsa da çoğu zaman gerçek dünyaya ilişkin temelden yoksundur. Bir bilgi grafiğini entegre etmek, modellerin doğrulanmış bir "dünya görüşüne" erişmesini sağlar.

• Getirme Destekli Üretim (RAG): Üretici modeller bazen makul görünen ancak yanlış bilgiler üretebilir. Büyük Dil Modellerini (LLMs) bir bilgi grafiğiyle temellendirerek AI aracıları, yanıt oluşturmadan önce doğrulanmış bir gerçeklik kaynağını sorgulayabilir. Bu, LLM'lerdeki halüsinasyonları önemli ölçüde azaltır ve kurumsal uygulamalardaki olgusal doğruluğu artırır.
• Öneri Sistemleri: Perakendede AI kapsamında grafikler, kullanıcılar ve ürünler arasındaki karmaşık ilişkileri eşler. Bir müşteri kamera satın alırsa grafik, "SD Kartlar" veya "Tripodlar" ile arasındaki işlevsel bağlantıyı anlayarak basit işbirlikçi filtrelemeden daha akıllı öneriler sunar.

Kod Örneği: Grafik İçin Varlıkları Çıkarma#

Bilgisayarlı görü modelleri, gerçek dünyadaki fiziksel varlıkları tanımlayarak bilgi grafiklerini doldurmak için mükemmel başlangıç noktalarıdır. Aşağıdaki Python kod parçacığı, bir görüntüdeki nesneleri tespit etmek için Ultralytics YOLO26 modelinin nasıl kullanılacağını gösterir. Bu tespit edilen sınıflar, daha sonra bir grafik veritabanında (Neo4j veya Amazon Neptune gibi) birbirine bağlanabilecek düğümler olarak görev yapabilir.

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. Sağlık Hizmetlerinde İlaç Keşfi: Sağlık hizmetlerinde AI alanındaki araştırmacılar, biyolojik etkileşimleri modellemek için bilgi grafiklerinden yararlanır. Genler, proteinler ve UniProt gibi veritabanlarından alınan kimyasal bileşikler arasındaki varlıkları birbirine bağlayan algoritmalar, olası ilaç hedeflerini ve yan etkileri tahmin ederek yeni tedavilerin geliştirilmesini hızlandırabilir.

2. Tedarik Zincirinin Dijital İkizleri: Lojistik şirketleri, operasyonlarının bir "dijital ikizini" oluşturmak için bilgi grafiklerinden yararlanır. Düğümler tedarikçileri, depoları ve envanteri; kenarlar ise nakliye rotalarını ve bağımlılıkları temsil eder. Bu yapı, yöneticilerin gecikmeleri tahmin etmesine ve rotaları dinamik olarak optimize etmesine olanak tanıyan Büyük Veri analitiğini kolaylaştırır.

Bilgi Grafikleri ve İlişkisel Veritabanları Karşılaştırması#

Bilgi grafiğini geleneksel bir İlişkisel Veritabanından (RDBMS) ayırt etmek önemlidir. İlişkisel veritabanı, yabancı anahtarlarla birbirine bağlanan katı tablolarda veri depolar; bu yapı, yapılandırılmış ve işlemsel veriler (banka defterleri gibi) için verimlidir. Ancak karmaşık ilişkileri sorgulamak (örneğin, "Bilim kurguyu seven arkadaşların arkadaşlarını bul") maliyetli "join" işlemleri gerektirir.

Buna karşılık bir bilgi grafiği (genellikle bir Graf Veritabanında depolanır), ilişkiyi birinci sınıf bir vatandaş olarak ele alır. Bağlantılar arasında gezinmek anlıktır; bu da grafikleri dolandırıcılık ağlarının tespiti veya sosyal ağ analizi gibi, verilerin birbirine yüksek düzeyde bağlı olduğu görevler için üstün kılar. RDBMS belirli kayıtların depolanması ve alınmasında başarılıyken bilgi grafikleri, bağlantıların kendi içindeki örüntüleri ve gizli içgörüleri keşfetmede başarılıdır.

Çok Modlu AI ile Geleceğe Bakış#

Bilgi grafiklerinin geleceği çok modlu öğrenmede yatıyor. Ultralytics YOLO26 gibi modeller nesne tespiti ve poz tahmininde ilerlemeye devam ettikçe görsel bağlamı otomatik olarak grafiklere aktaracak. Bu, yalnızca metni "okumakla" kalmayıp dünyayı "gören" ve görsel kavramları dilsel tanımlarla ilişkilendiren sistemler oluşturur. Ultralytics Platformunu kullanan geliştiriciler, bu özel görme modellerini özel varlıkları tanıyacak şekilde eğiterek yeni nesil bilgi farkındalığına sahip AI sistemleri için duyusal organları etkili bir şekilde oluşturabilir.