Biểu đồ tri thức

Biểu đồ tri thức là một mô hình tổ chức và kết nối thông tin từ nhiều nguồn khác nhau để biểu diễn kiến thức về một lĩnh vực theo cách có cấu trúc, giống như con người. Không giống như cơ sở dữ liệu truyền thống lưu trữ dữ liệu dưới dạng bảng, biểu đồ tri thức nắm bắt thông tin dưới dạng một mạng lưới các thực thể (đối tượng, sự kiện, tình huống hoặc khái niệm trừu tượng trong thế giới thực) và mối quan hệ giữa chúng. Cấu trúc này cho phép các hệ thống AI hiểu ngữ cảnh, rút ra suy luận và trả lời các câu hỏi phức tạp hiệu quả hơn so với việc chỉ đơn giản là khớp từ khóa. Khái niệm này là một thành phần cốt lõi của Web Ngữ nghĩa , nhằm mục đích làm cho dữ liệu internet có thể đọc được bằng máy.

Cấu trúc của đồ thị tri thức bao gồm các nút (thực thể), cạnh (mối quan hệ) và thuộc tính (thuộc tính mô tả thực thể). Ví dụ, trong một đồ thị về phim ảnh, "Leonardo DiCaprio" sẽ là một nút thực thể, "acted in" sẽ là cạnh mối quan hệ, và "Titanic" sẽ là một nút thực thể khác. Nút "Leonardo DiCaprio" cũng có thể có các thuộc tính như "Ngày sinh". Các đồ thị tri thức công khai nổi bật bao gồm Đồ thị tri thức của Google và các dự án nguồn mở như DBpedia .

Ứng dụng trong AI và Học máy

Biểu đồ kiến thức là một phần không thể thiếu của nhiều ứng dụng thông minh:

• Tìm kiếm Ngữ nghĩa : Công cụ tìm kiếm sử dụng biểu đồ tri thức để hiểu ý định đằng sau các truy vấn và cung cấp kết quả phù hợp hơn, theo ngữ cảnh hơn là chỉ khớp từ khóa đơn thuần. Điều này cho phép chúng trả lời các câu hỏi trực tiếp như "CEO của Apple là ai" bằng cách duyệt qua biểu đồ.
• Hệ thống đề xuất : Bằng cách mô hình hóa mối quan hệ giữa người dùng, mục và thuộc tính của chúng, biểu đồ kiến thức cho phép đưa ra các đề xuất tinh vi và cá nhân hóa hơn trong các lĩnh vực như AI trong bán lẻ và phát trực tuyến nội dung.
• Trả lời câu hỏi và Chatbot : Biểu đồ kiến thức cung cấp kiến thức có cấu trúc cho phép hệ thống AI trả lời các câu hỏi phức tạp bằng cách điều hướng các mối quan hệ thực thể, nâng cao khả năng của AI đàm thoại .
• Tích hợp dữ liệu: Biểu đồ tri thức có thể hợp nhất dữ liệu từ nhiều nguồn khác nhau, tạo ra một cái nhìn thống nhất và liên kết về thông tin trên toàn tổ chức. Điều này rất quan trọng đối với phân tích Dữ liệu lớn và thường được truy vấn bằng các ngôn ngữ như SPARQL .
• Cải thiện các mô hình AI khác: Đồ thị tri thức có thể cung cấp kiến thức nền tảng theo ngữ cảnh cho các tác vụ AI khác. Ví dụ, trong Thị giác Máy tính (CV) , một đồ thị có thể liên kết các đối tượng được xác định bởi các mô hình như Ultralytics YOLO11 với thông tin về thuộc tính hoặc chức năng của chúng, giúp hiểu rõ hơn về bối cảnh. Các nền tảng như Ultralytics HUB quản lý các tập dữ liệu và mô hình có thể tận dụng kiến thức có cấu trúc này.

Ví dụ thực tế

1. Cá nhân hóa thương mại điện tử: Nhà bán lẻ trực tuyến sử dụng biểu đồ kiến thức kết nối khách hàng, sản phẩm, thương hiệu, danh mục, lịch sử xem và dữ liệu mua hàng. Khi người dùng tìm kiếm "giày chạy bộ", biểu đồ sẽ giúp hệ thống hiểu các khái niệm liên quan (ví dụ: "marathon", "chạy đường mòn") và sở thích của người dùng để cung cấp kết quả và đề xuất được cá nhân hóa cao cho các sản phẩm bổ sung. Điều này nâng cao trải nghiệm tổng thể của khách hàng .
2. Giải pháp AI trong Chăm sóc Sức khỏe : Một viện nghiên cứu y khoa xây dựng biểu đồ tri thức liên kết các bệnh, triệu chứng, gen, thuốc và ấn phẩm nghiên cứu từ các nguồn như PubMed . Điều này cho phép các nhà nghiên cứu truy vấn các mối quan hệ phức tạp, chẳng hạn như "Tìm thuốc nhắm vào protein X và được sử dụng để điều trị bệnh Y", đẩy nhanh quá trình khám phá thuốc và cải thiện hỗ trợ chẩn đoán cho phân tích hình ảnh y tế .

Biểu đồ tri thức so với các khái niệm liên quan

• Cơ sở dữ liệu: Cơ sở dữ liệu quan hệ truyền thống lưu trữ dữ liệu trong các bảng cứng nhắc được xác định trước với các hàng và cột. Đồ thị tri thức sử dụng cấu trúc đồ thị linh hoạt (nút và cạnh), phù hợp hơn để biểu diễn các mối quan hệ phức tạp, đang phát triển và suy ra các kết nối mới. Các cơ sở dữ liệu đồ thị hiện đại như Neo4j được thiết kế đặc biệt để quản lý cấu trúc này.
• Tìm kiếm Vector : Đây là phương pháp tìm kiếm các mục tương tự dựa trên khoảng cách giữa các vector nhúng của chúng. Mặc dù cơ sở dữ liệu vector rất hiệu quả cho tìm kiếm tương đồng, nhưng chúng không lưu trữ rõ ràng các mối quan hệ như biểu đồ tri thức. Biểu đồ tri thức xác định các kết nối rõ ràng, trong khi tìm kiếm vector tìm kiếm các kết nối ngầm định dựa trên các đặc điểm đã học.
• Mô hình Ngôn ngữ Lớn (LLM) : LLM lưu trữ kiến thức ngầm định trong các tham số của chúng sau khi được huấn luyện trên một lượng lớn văn bản. Đồ thị tri thức lưu trữ kiến thức một cách rõ ràng và có thể kiểm chứng. Chúng có thể được sử dụng cùng nhau; một LLM có thể trả lời truy vấn bằng cách trước tiên trích xuất thông tin thực tế từ đồ thị tri thức để giảm ảo giác và đảm bảo độ chính xác, một kỹ thuật cốt lõi của Thế hệ Tăng cường Truy xuất (RAG) .