Biểu đồ tri thức

Các khái niệm cốt lõi

Biểu đồ kiến thức bao gồm các nút (đại diện cho các thực thể hoặc khái niệm) và các cạnh (đại diện cho các mối quan hệ hoặc các vị từ kết nối các nút này). Ví dụ, một nút có thể là " Ultralytics YOLO " và một " Phát hiện đối tượng " khác; một cạnh được gắn nhãn "là một loại" có thể kết nối chúng. Cấu trúc này cho phép truy vấn các mối quan hệ phức tạp và thực hiện các tác vụ lý luận, chẳng hạn như suy ra các sự kiện mới từ dữ liệu được kết nối hiện có. Các công nghệ chính hỗ trợ KG: các tiêu chuẩn như Khung mô tả tài nguyên (RDF) cung cấp một mô hình chung để biểu diễn dữ liệu, trong khi các ngôn ngữ truy vấn như SPARQL cho phép truy xuất thông tin dựa trên các mẫu biểu đồ. Việc xây dựng KG thường liên quan đến việc trích xuất thông tin từ nhiều nguồn khác nhau, bao gồm dữ liệu có cấu trúc (như cơ sở dữ liệu) và văn bản không có cấu trúc, thường sử dụng các kỹ thuật Xử lý ngôn ngữ tự nhiên (NLP) và các hệ thống lý luận phức tạp tiềm ẩn. Chất lượng dữ liệu và quản trị dữ liệu rất quan trọng để duy trì KG đáng tin cậy.

Biểu đồ tri thức so với các khái niệm khác

Mặc dù có liên quan đến các phương pháp tổ chức dữ liệu khác, biểu đồ kiến thức có những đặc điểm riêng biệt:

• Ontology : Một ontology chính thức định nghĩa các loại, thuộc tính và mối quan hệ giữa các thực thể trong một miền cụ thể (sơ đồ hoặc bản thiết kế). KG thường sử dụng ontology làm nền tảng cấu trúc của chúng nhưng cũng chứa dữ liệu thực tế (các sự kiện và thực thể cụ thể). Các ngôn ngữ như Ngôn ngữ Ontology Web (OWL) được sử dụng để định nghĩa ontology.
• Phân loại học: Phân loại học là hệ thống phân loại theo thứ bậc (ví dụ, phân loại động vật theo giới, ngành, lớp). KG linh hoạt hơn, đại diện cho các mạng lưới phức tạp, đa quan hệ không hoàn toàn theo thứ bậc.
• Cơ sở dữ liệu vectơ : Các cơ sở dữ liệu này lưu trữ dữ liệu dưới dạng nhúng số được tối ưu hóa cho tìm kiếm tương đồng ( tìm kiếm vectơ ). Ngược lại, KG biểu diễn các mối quan hệ rõ ràng, mang tính biểu tượng giữa các thực thể. Mặc dù khác biệt, chúng có thể bổ sung cho nhau; KG có thể cung cấp ngữ cảnh có cấu trúc cho thông tin được truy xuất thông qua tìm kiếm vectơ.

Ứng dụng trong AI/ML

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

• Tìm kiếm ngữ nghĩa : Các công cụ tìm kiếm như Google sử dụng KG (ví dụ: Biểu đồ tri thức Google ) để hiểu mục đích đằng sau các truy vấn và cung cấp kết quả có liên quan và theo ngữ cảnh hơn ngoài việc chỉ khớp từ khóa đơn giản.
• Hệ thống đề xuất : Bằng cách mô hình hóa mối quan hệ giữa người dùng, mục và thuộc tính của chúng, KG cho phép đưa ra các đề xuất tinh vi và cá nhân hóa hơn trong các lĩnh vực như thương mại điện tử ( AI trong bán lẻ ) và phát trực tuyến nội dung.
• Trả lời câu hỏi và Chatbot : KG cung cấp kiến thức có cấu trúc cho phép các hệ thống AI trả lời các câu hỏi phức tạp bằng cách điều hướng các mối quan hệ thực thể, nâng cao khả năng đàm thoại của AI.
• Tích hợp dữ liệu: KG có thể hợp nhất dữ liệu từ nhiều nguồn khác nhau, tạo ra góc nhìn nhất quán và kết nối thông tin trong toàn tổ chức. Điều này rất quan trọng đối với phân tích Dữ liệu lớn .
• Cải thiện các mô hình AI khác: KG có thể cung cấp kiến thức nền theo ngữ cảnh cho các tác vụ AI khác. Ví dụ, trong Computer Vision (CV) , KG có thể liên kết các đối tượng được phát hiện bởi các mô hình như Ultralytics YOLOv8 với thông tin liên quan về các thuộc tính, chức năng hoặc tương tác của chúng, dẫn đến hiểu biết về cảnh phong phú hơn. Các nền tảng như Ultralytics HUB quản lý các tập dữ liệu và mô hình có khả năng điền vào hoặc tận dụng KG.

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, dữ liệu mua hàng và đánh giá sản phẩm. Khi người dùng tìm kiếm "giày chạy bộ", KG giúp hệ thống hiểu các khái niệm liên quan (ví dụ: "marathon", "chạy đường mòn", các thương hiệu cụ thể) và sở thích của người dùng (mua hàng trước đây, các mặt hàng đã xem) để cung cấp kết quả tìm kiếm và đề xuất được cá nhân hóa cao cho các sản phẩm bổ sung như quần áo hoặc phụ kiện. Điều này nâng cao trải nghiệm của khách hàng .
2. Giải pháp AI trong chăm sóc sức khỏe : Một tổ chức nghiên cứu y khoa xây dựng biểu đồ kiến thức liên kết các bệnh, triệu chứng, gen, protein, thuốc, thử nghiệm lâm sàng và ấn phẩm nghiên cứu ( như những ấn phẩm được lập chỉ mục trong PubMed ). Điều này cho phép các nhà nghiên cứu và bác sĩ lâm sàng 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 cung cấp hỗ trợ quyết định cho chẩn đoán dựa trên dữ liệu bệnh nhân và triệu chứng được kết nối với nhau, có khả năng cải thiện phân tích hình ảnh y tế .