Knowledge Graph

Bilgi grafiği, gerçek dünyadaki varlıkların ve bunlar arasındaki ilişkilerin yapılandırılmış bir temsilidir. Verileri katı satır ve sütunlarda depolayan standart bir veritabanının aksine, bilgi grafiği bilgileri düğümler (nesneleri, kişileri veya kavramları temsil eden) ve kenarlar (bu düğümler arasındaki bağlantıları veya etkileşimleri temsil eden) ağı olarak organize eder. Bu yapı, insanların bilgiyi organize etme biçimini taklit ederek yapay zeka (AI) sistemlerinin bağlamı anlamasına, yeni gerçekler çıkarmasına ve veriler üzerinde daha anlamsal ve birbirine bağlı bir şekilde akıl yürütmesine olanak tanır.

Link to this sectionYapıyı 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 nüfusu veya bir nesne tespitinin güven puanı gibi bir düğümü tanımlayan ek detaylar.

Bu ağ benzeri yapı, sistemlerin yalnızca anahtar kelimeleri eşleştirmek yerine kullanıcının niyetini anladığı anlamsal arama gerçekleştirmesini sağlar. Örneğin, "Jaguar"ın hem bir hayvan hem de bir araba markası olduğunu bilmek, sistemin sonuçları bağlama göre ayırt etmesine olanak tanır.

Link to this sectionMakine Öğrenimi ile Entegrasyon#

Bilgi grafikleri, makine öğrenimi (ML) modellerini geliştirmek için giderek daha kritik hale gelmektedir. Derin öğrenme modelleri istatistiksel örüntü tanımada başarılı olsa da, genellikle olgusal temelden yoksundurlar. Bir bilgi grafiğini entegre etmek, modellerin doğrulanmış bir "dünya görüşüne" erişmesini sağlar.

• RAG (Retrieval-Augmented Generation): Üretken modeller bazen makul görünen ancak yanlış bilgiler üretebilir. Büyük Dil Modellerini (LLM'ler) bir bilgi grafiği ile temellendirerek, AI aracıları bir yanıt oluşturmadan önce doğrulanmış bir gerçeklik kaynağını sorgulayabilir. Bu, LLM'lerdeki halüsinasyonları önemli ölçüde azaltır ve kurumsal uygulamalar için olgusal doğruluğu artırır.
• Öneri Sistemleri: Perakendede AI alanında grafikler, kullanıcılar ve ürünler arasındaki karmaşık ilişkileri haritalandırır. Bir müşteri fotoğraf makinesi satın alırsa, grafik bunun "SD Kartlar" veya "Tripodlar" ile olan işlevsel bağlantısını anlar ve basit işbirlikçi filtrelemeden daha akıllı öneriler sunulmasını sağlar.

Link to this sectionKod Örneği: Bir Grafik İçin Varlıkları Çıkarma#

Bilgisayarlı görü modelleri, gerçek dünyadaki fiziksel varlıkları tanımlayarak bilgi grafiklerini doldurmak için mükemmel giriş noktaları görevi görür. Aşağıdaki Python kod parçası, bir görüntüdeki nesneleri tespit etmek için Ultralytics YOLO26 modelinin nasıl kullanılacağını gösterir. Tespit edilen bu sınıflar, daha sonra bir grafik veritabanında (Neo4j veya Amazon Neptune gibi) birbirine bağlanabilecek düğümler olarak işlev görebilir.

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}")

Link to this sectionGerçek Dünya Uygulamaları#

1. Sağlık Hizmetlerinde İlaç Keşfi: Sağlık hizmetlerinde AI 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, böylece 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 analizini kolaylaştırarak yöneticilerin gecikmeleri tahmin etmesine ve rotaları dinamik olarak optimize etmesine olanak tanır.

Link to this sectionBilgi 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.

Bunun aksine, bir bilgi grafiği (genellikle bir Grafik Veritabanında depolanır) ilişkiyi birinci sınıf bir vatandaş olarak ele alır. Bağlantılar arasında gezinmek anlıktır, bu da grafikleri dolandırıcılık tespit çemberleri veya sosyal ağ analizi gibi oldukça birbirine bağlı verileri içeren görevler için üstün kılar. RDBMS belirli kayıtların depolanması ve alınmasında başarılıyken, bilgi grafikleri örüntüleri ve bağlantıların içindeki gizli içgörüleri keşfetmede mükemmeldir.

Link to this sectionÇok Modlu AI ile Geleceğe Bakış#

Bilgi grafiklerinin geleceği, çok modlu öğrenmede yatmaktadır. Ultralytics YOLO26 gibi modeller nesne tespiti ve poz tahmini konusunda ilerlemeye devam ettikçe, görsel bağlamı grafiklere otomatik olarak besleyeceklerdir. Bu, yalnızca metni "okuyan" değil, aynı zamanda dünyayı "gören" ve görsel kavramları dilsel tanımlarla ilişkilendiren sistemler yaratır. Ultralytics Platform kullanarak, geliştiriciler bu uzmanlaşmış görü modellerini özel varlıkları tanıyacak şekilde eğitebilir ve yeni nesil bilgi farkındalığına sahip AI sistemleri için duyusal organları etkin bir şekilde inşa edebilirler.