Gráfico de conocimiento

Conceptos básicos

Los grafos de conocimiento constan de nodos (que representan entidades o conceptos) y aristas (que representan las relaciones o predicados que conectan esos nodos). Por ejemplo, un nodo podría serUltralytics YOLO" y otro"Detección de objetos"; una arista etiquetada como "es un tipo de" podría conectarlos. Esta estructura permite consultar relaciones complejas y realizar tareas de razonamiento, como inferir nuevos hechos a partir de los datos conectados existentes. Las KG se basan en tecnologías clave: normas como el Marco de Descripción de Recursos (RDF ) proporcionan un modelo común para la representación de datos, mientras que los lenguajes de consulta como SPARQL permiten recuperar información basándose en patrones de grafos. La construcción de KG a menudo implica extraer información de diversas fuentes, incluidos datos estructurados (como bases de datos) y texto no estructurado, utilizando con frecuencia técnicas de Procesamiento del Lenguaje Natural (PLN ) y sistemas de razonamiento potencialmente complejos. La calidad de los datos y la gobernanza de los datos son fundamentales para mantener KG fiables.

Gráficos de conocimiento frente a otros conceptos

Aunque están relacionados con otros métodos de organización de datos, los grafos de conocimiento poseen características únicas:

• Ontología: Una ontología define formalmente los tipos, propiedades e interrelaciones de las entidades dentro de un dominio específico (el esquema o plano). Las KG suelen utilizar una ontología como base estructural, pero también contienen los datos de instancia reales (los hechos y entidades específicos). Para definir ontologías se utilizan lenguajes como el Web Ontology Language (OWL ).
• Taxonomía: Una taxonomía es un sistema de clasificación jerárquica (por ejemplo, clasificar los animales por reino, filo, clase). Las KG son más flexibles y representan redes complejas y multirrelacionales que no son estrictamente jerárquicas.
• Bases de datos vectoriales: Estas bases de datos almacenan los datos como incrustaciones numéricas optimizadas para búsquedas de similitud(búsqueda vectorial). Por el contrario, las KG representan relaciones explícitas y simbólicas entre entidades. Aunque son distintas, pueden ser complementarias; las KG pueden proporcionar un contexto estructurado para la información recuperada mediante la búsqueda vectorial.

Aplicaciones en IA/ML

Los grafos de conocimiento son parte integrante de numerosas aplicaciones inteligentes:

• Búsqueda semántica: Los motores de búsqueda como Google utilizan KG (por ejemplo, el Gráfico de ConocimientosGoogle ) para comprender la intención de las consultas y proporcionar resultados más relevantes y contextuales, más allá de la simple coincidencia de palabras clave.
• Sistemas de recomendación: Al modelar las relaciones entre usuarios, artículos y sus atributos, las KG permiten recomendaciones más sofisticadas y personalizadas en áreas como el comercio electrónico(IA en el comercio minorista) y la transmisión de contenidos.
• Respuesta a preguntas y Chatbots: Las KG proporcionan un conocimiento estructurado que permite a los sistemas de IA responder a preguntas complejas navegando por las relaciones entre entidades, mejorando las capacidades de IA conversacional.
• Integración de datos: Las KG pueden unificar datos de fuentes dispares, creando una visión coherente e interconectada de la información en toda la organización. Esto es vital para el análisis de Big Data.
• Mejora de otros modelos de IA: Las KG pueden proporcionar conocimiento contextual de fondo para otras tareas de IA. Por ejemplo, en Visión por Computador (VC), una KG podría vincular objetos detectados por modelos como Ultralytics YOLOv8 con información relacionada sobre sus propiedades, funciones o interacciones, lo que permitiría comprender mejor la escena. Plataformas como Ultralytics HUB gestionan conjuntos de datos y modelos que potencialmente podrían poblar o aprovechar las KG.

Ejemplos reales

1. Personalización del comercio electrónico: Un minorista online utiliza un grafo de conocimiento que conecta clientes, productos, marcas, categorías, historial de visitas, datos de compra y reseñas de productos. Cuando un usuario busca "zapatillas de correr", el KG ayuda al sistema a comprender los conceptos relacionados (por ejemplo, "maratón", "trail running", marcas específicas) y las preferencias del usuario (compras anteriores, artículos vistos) para proporcionar resultados de búsqueda altamente personalizados y recomendaciones de productos complementarios como ropa o accesorios. Esto mejora la experiencia del cliente.
2. Soluciones de IA en Sanidad: Una institución de investigación médica construye un grafo de conocimiento que vincula enfermedades, síntomas, genes, proteínas, medicamentos, ensayos clínicos y publicaciones de investigación(como las indexadas en PubMed). Esto permite a los investigadores y médicos consultar relaciones complejas, como "Encontrar fármacos dirigidos a la proteína X y que se utilicen para tratar la enfermedad Y", acelerando el descubrimiento de fármacos y proporcionando apoyo a la toma de decisiones para diagnósticos basados en datos interconectados de síntomas y pacientes, mejorando potencialmente el análisis de imágenes médicas.