Gráfico de conocimiento

Conceptos básicos

Los grafos de conocimiento se construyen utilizando nodos (que representan entidades o conceptos) y aristas (que representan las relaciones entre esos nodos). Por ejemplo, un nodo podría serUltralytics YOLO" y otro"Detección de objetos", conectados por una arista etiquetada como "es un tipo de". Esta estructura permite consultas complejas y capacidades de razonamiento, permitiendo a los sistemas inferir nuevos hechos a partir de los datos existentes. Tecnologías como el Marco de Descripción de Recursos (RDF) proporcionan un modelo estándar para el intercambio de datos, mientras que lenguajes de consulta como SPARQL permiten a los usuarios recuperar información basándose en estas relaciones. Construir KG a menudo implica extraer información de varias fuentes, incluidas bases de datos estructuradas y texto no estructurado, a veces utilizando técnicas de Procesamiento del Lenguaje Natural (PLN ) y potencialmente implicando complejos sistemas de razonamiento.

Gráficos de conocimiento frente a otros conceptos

Aunque están relacionados con otras estructuras de datos, los grafos de conocimiento tienen características distintas:

• Bases de datos: Las bases de datos relacionales tradicionales almacenan los datos en tablas con esquemas predefinidos, centrándose en el almacenamiento y la recuperación eficientes de registros estructurados. Las KG destacan en la representación de relaciones complejas, a menudo heterogéneas, y en la inferencia de nuevos conocimientos, lo que resulta menos sencillo en las bases de datos estándar.
• Ontologías: Una ontología define el vocabulario y las reglas (el esquema) de un dominio, especificando tipos de entidades y relaciones. Un grafo de conocimiento suele ser una instancia de una ontología, que representa hechos concretos según esas reglas. El Lenguaje Ontológico Web (OWL) es un estándar común para definir ontologías.
• Bases de datos vectoriales: Almacenan los datos como vectores de alta dimensión (incrustaciones), capturando la similitud semántica. Son excelentes para encontrar elementos similares, pero no definen explícitamente las relaciones como hacen las KG. Las KG almacenan conexiones explícitas y factuales.

Aplicaciones en IA/ML

Los grafos de conocimiento potencian muchas aplicaciones inteligentes:

• Resultados de búsqueda mejorados: Los motores de búsqueda como Google utilizan KG (como el Gráfico de ConocimientoGoogle ) para comprender semánticamente las consultas de búsqueda y proporcionar respuestas directas, resúmenes y entidades relacionadas en paneles de información, yendo más allá de la simple coincidencia de palabras clave para permitir una mejor Búsqueda Semántica.
• Sistemas de recomendación: Las plataformas utilizan KG para modelar las conexiones entre usuarios, productos, contenidos y sus atributos (por ejemplo, género, actores, director). Esto permite recomendaciones más matizadas basadas en las relaciones descubiertas, mejorando la experiencia del usuario en áreas como la IA en la venta minorista de moda.
• IA contextual: En Visión por Computador (VC), detectar un objeto, como un edificio concreto, utilizando un Ultralytics YOLO como YOLOv8 podría desencadenar una consulta de CV para recuperar su historia, arquitecto u horario de apertura, enriqueciendo la comprensión de la aplicación. Estos datos contextuales pueden gestionarse y utilizarse en plataformas como Ultralytics HUB. Las KG también mejoran los sistemas de respuesta a preguntas proporcionando conocimientos previos estructurados.
• Descubrimiento de fármacos: Las KG integran datos biológicos diversos (genes, proteínas, enfermedades, fármacos) para ayudar a los investigadores a identificar posibles dianas farmacológicas e interacciones, acelerando las soluciones de IA en la asistencia sanitaria.

Construir y utilizar grafos de conocimiento

La creación y el mantenimiento de los KG pueden implicar técnicas de extracción automatizada, curación manual o una combinación de ambas. Los grafos de conocimiento de código abierto como DBpedia (derivado de Wikipedia) y Wikidata proporcionan grandes cantidades de datos estructurados. Las tecnologías especializadas de bases de datos de grafos, como Neo4j, están diseñadas para almacenar y consultar datos de grafos de forma eficiente. Los modelos de ML se utilizan cada vez más para tareas como el reconocimiento de entidades y la extracción de relaciones para poblar automáticamente los KG a partir de texto o incluso de datos visuales derivados de diversos conjuntos de datos de visión por ordenador.