الرسم البياني المعرفي

المفاهيم الأساسية

يتم بناء الرسوم البيانية المعرفية باستخدام عقد (تمثل الكيانات أو المفاهيم) وحواف (تمثل العلاقات بين هذه العقد). على سبيل المثال، يمكن أن تكون العقدةUltralytics YOLO" وعقدة أخرى"اكتشاف الكائنات"، متصلة بحافة تحمل علامة "هو نوع من". تسمح هذه البنية بالاستعلامات المعقدة وقدرات الاستدلال، مما يمكّن الأنظمة من استنتاج حقائق جديدة من البيانات الموجودة. توفر تقنيات مثل إطار عمل وصف الموارد (RDF) نموذجًا قياسيًا لتبادل البيانات، بينما تسمح لغات الاستعلام مثل SPARQL للمستخدمين باسترجاع المعلومات بناءً على هذه العلاقات. وغالبًا ما ينطوي بناء معارف المعرفة على استخراج المعلومات من مصادر مختلفة، بما في ذلك قواعد البيانات المنظمة والنصوص غير المنظمة، وأحيانًا باستخدام تقنيات معالجة اللغات الطبيعية (NLP) وربما باستخدام أنظمة استدلال معقدة.

الرسوم البيانية المعرفية مقابل المفاهيم الأخرى

على الرغم من ارتباطها بهياكل البيانات الأخرى، إلا أن الرسوم البيانية المعرفية لها خصائص مميزة:

• قواعد البيانات: تقوم قواعد البيانات العلائقية التقليدية بتخزين البيانات في جداول ذات مخططات محددة مسبقًا، مع التركيز على التخزين والاسترجاع الفعال للسجلات المنظمة. تتفوق قواعد البيانات العلائقية في تمثيل العلاقات المعقدة وغير المتجانسة في كثير من الأحيان واستنتاج معارف جديدة، وهو أمر أقل وضوحًا في قواعد البيانات القياسية.
• علم الوجود: يحدد علم الأنطولوجيا المفردات والقواعد (المخطط) لمجال ما، ويحدد أنواع الكيانات والعلاقات. وغالبًا ما يكون الرسم البياني المعرفي مثالًا للأنطولوجيا، ويمثل حقائق محددة وفقًا لتلك القواعد. لغة أنطولوجيا الويب (OWL) هي معيار شائع لتعريف الأنطولوجيات.
• قواعد بيانات المتجهات: تخزن هذه البيانات على شكل متجهات عالية الأبعاد (تضمينات)، تلتقط التشابه الدلالي. وهي ممتازة للعثور على العناصر المتشابهة ولكنها لا تحدد العلاقات بشكل صريح كما تفعل قواعد البيانات المضمّنة. تخزن KGs الروابط الصريحة والواقعية.

تطبيقات في الذكاء الاصطناعي/تعلم الآلة

تعمل الرسوم البيانية المعرفية على تشغيل العديد من التطبيقات الذكية:

• نتائج بحث محسّنة: تستخدم محركات البحث مثل Google KGs (مثل الرسم البياني المعرفيGoogle ) لفهم استعلامات البحث دلاليًا وتقديم إجابات مباشرة وملخصات وكيانات ذات صلة في لوحات المعلومات، متجاوزةً بذلك مجرد مطابقة الكلمات الرئيسية لتمكين البحث الدلالي الأفضل.
• أنظمة التوصية: تستخدم المنصات أنظمة توصيات المعرفة لنمذجة الروابط بين المستخدمين والمنتجات والمحتوى وسماتها (مثل النوع والممثلين والمخرجين). وهذا يسمح بتوصيات أكثر دقة بناءً على العلاقات المكتشفة، مما يحسن تجربة المستخدم في مجالات مثل الذكاء الاصطناعي في بيع الأزياء بالتجزئة.
• الذكاء الاصطناعي السياقي: في الرؤية الحاسوبية، اكتشاف جسم ما مثل مبنى معين باستخدام Ultralytics YOLO مثل YOLOv8 يمكن أن يؤدي إلى استعلام KG لاسترداد تاريخه أو مهندسه المعماري أو ساعات عمله، مما يثري فهم التطبيق. يمكن إدارة هذه البيانات السياقية واستخدامها داخل منصات مثل Ultralytics HUB. تعزز KGs أيضًا أنظمة الإجابة على الأسئلة من خلال توفير معرفة خلفية منظمة.
• اكتشاف الأدوية: تدمج حزم المعارف العلمية البيانات البيولوجية المتنوعة (الجينات والبروتينات والأمراض والعقاقير) لمساعدة الباحثين على تحديد أهداف الأدوية المحتملة والتفاعلات المحتملة، مما يسرع من حلول الذكاء الاصطناعي في مجال الرعاية الصحية.

بناء الرسوم البيانية المعرفية واستخدامها

يمكن أن ينطوي إنشاء وصيانة الرسوم البيانية المعرفية على تقنيات الاستخراج الآلي أو التنظيم اليدوي أو مزيج من هذه التقنيات. وتوفر الرسوم البيانية المعرفية مفتوحة المصدر مثل DBpedia (المشتقة من ويكيبيديا) وويكيبيديا كميات هائلة من البيانات المنظمة. تم تصميم تقنيات قواعد بيانات الرسوم البيانية المتخصصة مثل Neo4j لتخزين بيانات الرسوم البيانية والاستعلام عنها بكفاءة. يتم استخدام نماذج التعلم الآلي بشكل متزايد لمهام مثل التعرف على الكيانات واستخراج العلاقات لملء قواعد البيانات المعرفية تلقائيًا من النصوص أو حتى البيانات المرئية المستمدة من مجموعات بيانات الرؤية الحاسوبية المختلفة.