Knowledge Graph

Đồ thị tri thức là một biểu diễn có cấu trúc của các thực thể trong thế giới thực và các mối quan hệ giữa chúng. Không giống như 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 một mạng lưới các nút (đại diện cho đối tượng, con người hoặc khái niệm) và các cạnh (đại diện cho các kết nối hoặc tương tác giữa các 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 ngữ nghĩa và kết nối hơn.

Link to this sectionTìm hiểu cấu trúc#

Tại cốt lõi của một đồ thị tri thức là ba thành phần chính tạo thành các "bộ ba" (Chủ ngữ-Vị ngữ-Tân ngữ):

• Nút (Thực thể): Đây là các 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".
• Cạnh (Mối quan hệ): Những đường kẻ riêng biệt này kết nối các nút và xác định cách chúng liên quan với nhau. Ví dụ, một cạnh có thể gắn nhãn mối quan hệ giữa "London" và "UK" là "là_thủ_đô_của".
• Thuộc tính (Đặc tính): Các chi tiết bổ sung mô tả một nút, chẳng hạn như dân số của một thành phố hoặc điểm tin cậy của một tác vụ phát hiện đối tượng.

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

Link to this sectionTích hợp với Machine Learning#

Đồ thị tri thức ngày càng trở nên quan trọng để tăng cường các mô hình machine learning (ML). Trong khi các mô hình deep learning vượt trội trong việc nhận dạng mẫu thống kê, chúng thường thiếu nền tảng thực tế. Tích hợp đồ thị tri thức cho phép các mô hình truy cập vào một "thế giới quan" đã được xác thực.

• Retrieval-Augmented Generation (RAG): Các mô hình tạo sinh đôi khi có thể tạo ra thông tin nghe có vẻ hợp lý nhưng lại không chính xác. Bằng cách làm nền tảng cho các Large Language Models (LLMs) với đồ thị tri thức, các AI agent có thể truy vấn một nguồn chân lý đã được xác minh trước khi tạo phản hồi. Điều này giúp giảm đáng kể ảo giác trong LLM và cải thiện độ chính xác thực tế cho các ứng dụng doanh nghiệp.
• Hệ thống gợi ý: Trong AI bán lẻ, các đồ thị ánh xạ các mối quan hệ phức tạp giữa người dùng và sản phẩm. Nếu khách hàng mua một chiếc máy ảnh, đồ thị sẽ hiểu mối liên kết chức năng tới "Thẻ nhớ" hoặc "Chân máy", cho phép các gợi ý thông minh hơn so với phương pháp lọc cộng tác đơn giản.

Link to this sectionVí dụ mã: Trích xuất thực thể cho đồ thị#

Các mô hình thị giác máy tính đóng vai trò là điểm đầu vào xuất sắc để điền dữ liệu vào 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 mô hình Ultralytics YOLO26 để phát hiện đối tượng trong hình ảnh. Các lớp (classes) được phát hiện này có thể đóng vai trò là các nút, sau đó có thể được liên kết trong cơ sở dữ liệu đồ thị (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}")

Link to this sectionCác ứng dụng trong thực tế#

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

2. Bản sao kỹ thuật số (Digital Twins) chuỗi cung ứng: Các công ty logistics sử dụng đồ thị tri thức để tạo ra một "bản sao kỹ thuật số" cho các hoạt động của họ. Các nút đại diện cho nhà cung cấp, kho bãi và hàng tồn kho, trong khi các cạnh đại diện cho các tuyến đường vận chuyển và sự phụ thuộc. Cấu trúc này tạo điều kiện cho phân tích Big Data, cho phép các nhà quản lý dự đoán sự chậm trễ và tối ưu hóa tuyến đường một cách linh hoạt.

Link to this sectionĐồ thị tri thức so với 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, điều này hiệu quả cho dữ liệu giao dịch có cấu trúc (như sổ cái ngân hàng). Tuy nhiên, việc truy vấn các mối quan hệ phức tạp (ví dụ: "Tìm bạn của bạn bè thích khoa học viễn tưởng") đòi hỏi các thao tác "join" đắt đỏ.

Ngược lại, đồ thị tri thức (thường được lưu trữ trong Graph Database) coi mối quan hệ là một thành phần hạng nhất. Việc duyệt qua các kết nối diễn ra tức thời, làm cho đồ thị trở nên ưu việt cho các tác vụ liên quan đến dữ liệu có tính kết nối cao, chẳng hạn như các mạng lưới phát hiện gian lận hoặc phân tích mạng xã hội. Trong khi RDBMS vượt trội ở việc lưu trữ và truy xuất các bản ghi cụ thể, đồ thị tri thức vượt trội ở việc khám phá các mẫu và thông tin chi tiết ẩn giấu bên trong chính các kết nối đó.

Link to this sectionTriển vọng tương lai với AI đa phương thức (Multi-Modal AI)#

Tương lai của đồ thị tri thức nằm ở học đa phương thức. Khi các mô hình 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 các hệ thống không chỉ "đọc" văn bản mà còn "nhìn" thế giới, liên kết các khái niệm hình ảnh với các định nghĩa ngôn ngữ. Sử dụng Ultralytics Platform, các nhà phát triển có thể huấn luyện các mô hình thị giác chuyên biệt này để nhận dạng các thực thể tùy chỉnh, thực sự xây dựng nên các giác quan cho thế hệ AI nhận thức tri thức tiếp theo.