Wissensgraf

Kernkonzepte

Wissensgraphen werden aus Knoten (die Entitäten oder Konzepte darstellen) und Kanten (die die Beziehungen zwischen diesen Knoten darstellen) aufgebaut. Ein Knoten könnte zum BeispielUltralytics YOLO" und ein anderer"Objekterkennung" sein, verbunden durch eine Kante mit der Bezeichnung "ist ein Typ von". Diese Struktur ermöglicht komplexe Abfragen und Schlussfolgerungen, so dass Systeme aus vorhandenen Daten neue Fakten ableiten können. Technologien wie das Resource Description Framework (RDF) bieten ein Standardmodell für den Datenaustausch, während Abfragesprachen wie SPARQL es den Nutzern ermöglichen, Informationen auf der Grundlage dieser Beziehungen abzurufen. Um KGs zu erstellen, müssen oft Informationen aus verschiedenen Quellen extrahiert werden, z. B. aus strukturierten Datenbanken und unstrukturierten Texten, manchmal unter Verwendung von Techniken der natürlichen Sprachverarbeitung (NLP) und möglicherweise unter Einbeziehung komplexer logischer Systeme.

Wissensgraphen vs. andere Konzepte

Obwohl sie mit anderen Datenstrukturen verwandt sind, haben Wissensgraphen ganz eigene Merkmale:

• Datenbanken: Traditionelle relationale Datenbanken speichern Daten in Tabellen mit vordefinierten Schemata und konzentrieren sich auf die effiziente Speicherung und Abfrage strukturierter Datensätze. KGs zeichnen sich dadurch aus, dass sie komplexe, oft heterogene Beziehungen darstellen und neues Wissen ableiten können, was in Standarddatenbanken weniger einfach ist.
• Ontologien: Eine Ontologie definiert das Vokabular und die Regeln (das Schema) für einen Bereich und legt die Arten von Entitäten und Beziehungen fest. Ein Wissensgraph ist oft eine Instanz einer Ontologie, die bestimmte Fakten nach diesen Regeln darstellt. Die Web Ontology Language (OWL) ist ein gängiger Standard für die Definition von Ontologien.
• Vektordatenbanken: Sie speichern Daten als hochdimensionale Vektoren (Einbettungen), die die semantische Ähnlichkeit erfassen. Sie eignen sich hervorragend, um ähnliche Elemente zu finden, definieren aber keine expliziten Beziehungen wie KGs. KGs speichern explizite, faktische Verbindungen.

Anwendungen in AI/ML

Wissensgraphen ermöglichen viele intelligente Anwendungen:

• Bessere Suchergebnisse: Suchmaschinen wie Google nutzen KGs (wie den Google Knowledge Graph), um Suchanfragen semantisch zu verstehen und direkte Antworten, Zusammenfassungen und verwandte Entitäten in Informationspanels zu liefern, die über die einfache Stichwortsuche hinausgehen und eine bessere semantische Suche ermöglichen.
• Empfehlungssysteme: Plattformen nutzen KGs, um Verbindungen zwischen Nutzern, Produkten, Inhalten und deren Eigenschaften (z. B. Genre, Schauspieler, Regisseur) zu modellieren. Dies ermöglicht differenziertere Empfehlungen auf der Grundlage der entdeckten Beziehungen und verbessert die Nutzererfahrung in Bereichen wie der KI im Modehandel.
• Kontextuelle KI: In der Computer Vision (CV) wird ein Objekt wie ein bestimmtes Gebäude mithilfe einer Ultralytics YOLO Modells wie YOLOv8 eine KG-Abfrage auslösen, um die Geschichte, den Architekten oder die Öffnungszeiten des Gebäudes abzufragen und das Verständnis der Anwendung zu verbessern. Diese kontextbezogenen Daten können in Plattformen wie Ultralytics HUB verwaltet und genutzt werden. KGs verbessern auch Fragebeantwortungssysteme, indem sie strukturiertes Hintergrundwissen bereitstellen.
• Entdeckung von Arzneimitteln: KGs integrieren verschiedene biologische Daten (Gene, Proteine, Krankheiten, Medikamente), um Forschern dabei zu helfen, potenzielle Wirkstoffziele und Wechselwirkungen zu identifizieren und so KI-Lösungen im Gesundheitswesen zu beschleunigen.

Wissensgraphen aufbauen und nutzen

Die Erstellung und Pflege von Wissensgraphen kann durch automatisierte Extraktionstechniken, manuelle Kuratierung oder eine Kombination davon erfolgen. Open-Source-Wissensgraphen wie DBpedia (abgeleitet von Wikipedia) und Wikidata liefern riesige Mengen strukturierter Daten. Spezialisierte Graphdatenbanktechnologien wie Neo4j wurden entwickelt, um Graphdaten effizient zu speichern und abzufragen. ML-Modelle werden zunehmend für Aufgaben wie die Erkennung von Entitäten und die Extraktion von Beziehungen eingesetzt, um Wissensgraphen automatisch aus Text- oder sogar visuellen Daten zu füllen, die aus verschiedenen Computer-Vision-Datensätzen stammen.