Knowledge Graph

Đồ thị tri thức là biểu diễn có cấu trúc của các thực thể trong thế giới thực và mối quan hệ giữa chúng. Không giống cơ sở dữ liệu tiêu chuẩn lưu trữ dữ liệu trong các hàng và cột cứng nhắc, đồ thị tri thức tổ chức thông tin dưới dạng mạng lưới gồm các nút (đại diện cho đối tượng, con người hoặc khái niệm) và các cạnh (đại diện cho kết nối hoặc tương tác giữa những nút đó). Cấu trúc này mô phỏng cách con người tổ chức thông tin, cho phép các hệ thống trí tuệ nhân tạo (AI) hiểu ngữ cảnh, suy luận các sự kiện mới và lập luận về dữ liệu theo cách mang tính ngữ nghĩa và liên kết hơn.

Tìm hiểu về cấu trúc#

Cốt lõi của một đồ thị tri thức là ba thành phần chính tạo thành "bộ ba" (Chủ thể-Vị từ-Đối tượng):

• Các nút (Thực thể): Đây là những điểm dữ liệu riêng biệt, chẳng hạn như "London," "Python," hoặc "Ultralytics YOLO26." Trong các tác vụ thị giác máy tính, chúng có thể đại diện cho các đối tượng được phát hiện như "Ô tô" hoặc "Người đi bộ."
• Các cạnh (Mối quan hệ): Những đường riêng biệt này kết nối các nút và xác định mối liên hệ giữa chúng. Ví dụ: một cạnh có thể gắn nhãn mối quan hệ giữa "London" và "UK" là "is_capital_of."
• Các thuộc tính (Tính chất): Những thông tin bổ sung mô tả một nút, chẳng hạn như dân số của một thành phố hoặc điểm độ tin cậy của một đối tượng được phát hiện.

Cấu trúc giống mạng lưới này cho phép các hệ thống thực hiện tìm kiếm ngữ nghĩa, trong đó công cụ hiểu ý định của người dùng thay vì chỉ đối sánh từ khóa. Ví dụ, việc biết "Jaguar" vừa là một loài động vật vừa là một thương hiệu ô tô cho phép hệ thống phân biệt kết quả dựa trên ngữ cảnh.

Tích hợp với Machine Learning#

Đồ thị tri thức ngày càng đóng vai trò thiết yếu trong việc nâng cao các model machine learning (ML). Mặc dù các model deep learning rất mạnh trong việc nhận dạng mẫu thống kê, chúng thường thiếu nền tảng dữ kiện. Việc tích hợp đồ thị tri thức cho phép các model truy cập vào một "góc nhìn về thế giới" đã được xác minh.

• Tạo sinh tăng cường truy xuất (RAG): Các model tạo sinh đôi khi có thể tạo ra thông tin hợp lý nhưng không chính xác. Bằng cách cung cấp nền tảng đồ thị tri thức cho các mô hình ngôn ngữ lớn (LLMs), các tác tử AI có thể truy vấn một nguồn sự thật đã được xác minh trước khi tạo phản hồi. Điều này giúp giảm đáng kể hiện tượng hallucination trong LLMs và cải thiện độ chính xác của thông tin thực tế cho các ứng dụng doanh nghiệp.
• Các hệ thống đề xuất: Trong AI trong lĩnh vực bán lẻ, các đồ thị ánh xạ những mối quan hệ phức tạp giữa người dùng và sản phẩm. Nếu khách hàng mua một chiếc máy ảnh, đồ thị hiểu mối liên kết chức năng với "Thẻ SD" hoặc "Chân máy," từ đó đưa ra đề xuất thông minh hơn so với phương pháp lọc cộng tác đơn giản.

Ví dụ mã: Trích xuất thực thể cho đồ thị#

Các model thị giác máy tính là điểm khởi đầu hiệu quả để xây dựng đồ thị tri thức bằng cách xác định các thực thể vật lý trong thế giới thực. Đoạn mã Python sau đây minh họa cách sử dụng model Ultralytics YOLO26 để phát hiện các đối tượng trong một hình ảnh. Những lớp được phát hiện này có thể đóng vai trò là các nút, sau đó được liên kết trong cơ sở dữ liệu đồ thị (chẳng hạn như Neo4j hoặc Amazon Neptune).

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}")

Các ứng dụng trong thực tế#

1. Khám phá thuốc trong lĩnh vực chăm sóc sức khỏe: Các nhà nghiên cứu trong lĩnh vực AI trong chăm sóc sức khỏe sử dụng đồ thị tri thức để mô hình hóa các tương tác sinh học. Bằng cách liên kết các thực thể như gene, protein và hợp chất hóa học từ những cơ sở dữ liệu như UniProt, các thuật toán có thể dự đoán mục tiêu thuốc tiềm năng và tác dụng phụ, đẩy nhanh quá trình phát triển các phương pháp điều trị mới.

2. Bản sao số chuỗi cung ứng: Các công ty logistics sử dụng đồ thị tri thức để tạo "bản sao số" cho hoạt động của mình. Các nút đại diện cho nhà cung cấp, kho hàng và hàng tồn kho, trong khi các cạnh đại diện cho tuyến vận chuyển và các yếu tố phụ thuộc. Cấu trúc này hỗ trợ phân tích Dữ liệu lớn, cho phép các nhà quản lý dự đoán tình trạng chậm trễ và tối ưu hóa tuyến đường một cách linh hoạt.

Đồ thị tri thức và cơ sở dữ liệu quan hệ#

Điều quan trọng là phải phân biệt đồ thị tri thức với Cơ sở dữ liệu quan hệ (RDBMS) truyền thống. Cơ sở dữ liệu quan hệ lưu trữ dữ liệu trong các bảng cứng nhắc được liên kết bằng khóa ngoại, phù hợp với dữ liệu có cấu trúc và giao dịch (chẳng hạn như sổ cái ngân hàng). Tuy nhiên, việc truy vấn các mối quan hệ phức tạp (ví dụ: "Tìm bạn của những người bạn thích khoa học viễn tưởng") đòi hỏi các phép toán "join" tốn kém.

Ngược lại, đồ thị tri thức (thường được lưu trữ trong một Cơ sở dữ liệu đồ thị) xem mối quan hệ là một thành phần cốt lõi. Việc duyệt qua các kết nối diễn ra tức thời, khiến đồ thị vượt trội trong các tác vụ liên quan đến dữ liệu có tính liên kết cao, chẳng hạn như phát hiện mạng lưới gian lận hoặc phân tích mạng xã hội. Trong khi RDBMS nổi trội về lưu trữ và truy xuất các bản ghi cụ thể, đồ thị tri thức nổi trội về việc phát hiện các mẫu và thông tin chuyên sâu ẩn trong chính những kết nối đó.

Triển vọng tương lai với AI đa phương thức#

Tương lai của đồ thị tri thức nằm ở học đa phương thức. Khi các model như Ultralytics YOLO26 tiếp tục tiến bộ trong việc phát hiện đối tượng và ước tính tư thế, chúng sẽ tự động đưa ngữ cảnh hình ảnh vào các đồ thị. Điều này tạo ra những hệ thống không chỉ "đọc" văn bản mà còn "nhìn thấy" thế giới, liên kết các khái niệm trực quan với những định nghĩa ngôn ngữ. Bằng cách sử dụng Ultralytics Platform, các nhà phát triển có thể huấn luyện những model thị giác chuyên biệt này để nhận diện các thực thể tùy chỉnh, qua đó xây dựng hiệu quả các cơ quan cảm giác cho thế hệ hệ thống AI am hiểu tri thức tiếp theo.