تعرف على كيفية تنظيم الرسوم البيانية المعرفية للكيانات والعلاقات في العالم الحقيقي من أجل الذكاء الاصطناعي. اكتشف كيفية استخدام Ultralytics لاستخراج العقد وتحسين نماذج التعلم الآلي.
الرسم البياني المعرفي هو تمثيل منظم للكيانات في العالم الحقيقي والعلاقات بينها. على عكس قاعدة البيانات القياسية التي تخزن البيانات في صفوف وأعمدة ثابتة، ينظم الرسم البياني المعرفي المعلومات كشبكة من العقد (تمثل الأشياء أو الأشخاص أو المفاهيم) والحواف (تمثل الروابط أو التفاعلات بين تلك العقد). تحاكي هذه البنية الطريقة التي ينظم بها البشر المعلومات، مما يسمح لأنظمة الذكاء الاصطناعي (AI) بفهم السياق واستنتاج حقائق جديدة والتفكير في البيانات بطريقة أكثر دلالة وترابطًا.
يوجد في قلب مخطط المعرفة ثلاثة مكونات رئيسية تشكل "ثلاثيات" (الموضوع-الفاعل-المفعول):
تتيح هذه البنية الشبكية للأنظمة إجراء بحث دلالي، حيث يفهم المحرك نية المستخدم بدلاً من مجرد مطابقة الكلمات الرئيسية. على سبيل المثال، معرفة أن "Jaguar" هي حيوان و ماركة سيارات في الوقت نفسه تتيح للنظام التمييز بين النتائج بناءً على السياق.
تزداد أهمية الرسوم البيانية المعرفية في تحسين نماذج التعلم الآلي (ML). في حين أن نماذج التعلم العميق تتفوق في التعرف على الأنماط الإحصائية، فإنها غالبًا ما تفتقر إلى الأساس الواقعي. يتيح دمج الرسم البياني المعرفي للنماذج الوصول إلى "نظرة عالمية" مؤكدة.
تعد نماذج الرؤية الحاسوبية نقاط دخول ممتازة لملء الرسوم البيانية المعرفية من خلال تحديد الكيانات المادية في العالم الحقيقي. يوضح Python التالي Python كيفية استخدام نموذج Ultralytics detect في الصورة. يمكن أن تعمل هذه الفئات المكتشفة كعقد، والتي يمكن بعد ذلك ربطها في قاعدة بيانات رسومية (مثل Neo4j أو 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}")
من المهم التمييز بين مخطط المعرفة وقاعدة البيانات العلائقية التقليدية (RDBMS). تخزن قاعدة البيانات العلائقية البيانات في جداول صارمة مرتبطة بمفاتيح خارجية، وهو أمر فعال للبيانات المنظمة والمعاملات (مثل دفاتر الحسابات المصرفية). ومع ذلك، فإن الاستعلام عن العلاقات المعقدة (على سبيل المثال، "ابحث عن أصدقاء الأصدقاء الذين يحبون الخيال العلمي") يتطلب عمليات "ربط" مكلفة.
في المقابل، تعامل مخططات المعرفة (التي غالباً ما يتم تخزينها في قاعدة بيانات مخططية) العلاقة على أنها عنصر أساسي. يتم عبور الروابط بشكل فوري، مما يجعل المخططات متميزة في المهام التي تتضمن بيانات مترابطة للغاية، مثل شبكات الكشف عن الاحتيال أو تحليل الشبكات الاجتماعية. في حين أن RDBMS تتفوق في تخزين واسترجاع سجلات محددة، تتفوق مخططات المعرفة في اكتشاف الأنماط والرؤى الخفية داخل الروابط نفسها.
يكمن مستقبل مخططات المعرفة في التعلم متعدد الوسائط. مع استمرار تقدم نماذج مثل Ultralytics في مجال اكتشاف الكائنات وتقدير الوضع، فإنها ستقوم تلقائيًا بتغذية السياق البصري في المخططات. وهذا يخلق أنظمة لا "تقرأ" النص فحسب، بل "ترى" العالم أيضًا، وتربط المفاهيم البصرية بالتعريفات اللغوية. باستخدام Ultralytics ، يمكن للمطورين تدريب هذه النماذج البصرية المتخصصة على التعرف على الكيانات المخصصة، وبالتالي بناء الأعضاء الحسية للجيل القادم من أنظمة الذكاء الاصطناعي المدركة للمعرفة.
.webp)