Un graphique de connaissances organise les informations en reliant des entités du monde réel (comme des personnes, des lieux ou des concepts) et en décrivant les relations qui existent entre elles. Considère-le comme un réseau ou une carte des connaissances, où les points représentent les entités et les lignes la façon dont elles sont liées. Cette approche structurée permet aux systèmes d'intelligence artificielle (IA), en particulier dans le domaine de l'apprentissage automatique (ML), de comprendre le contexte, de tirer des conclusions et d'accéder aux informations de manière plus intelligente que la simple recherche dans du texte brut ou des bases de données cloisonnées.
Concepts de base
Les graphes de connaissances sont construits à l'aide de nœuds (représentant des entités ou des concepts) et d'arêtes (représentant les relations entre ces nœuds). Par exemple, un nœud pourrait êtreUltralytics YOLO" et un autre"Détection d'objets", reliés par une arête étiquetée "est un type de". Cette structure permet des requêtes complexes et des capacités de raisonnement, permettant aux systèmes de déduire de nouveaux faits à partir de données existantes. Des technologies telles que le Resource Description Framework (RDF) fournissent un modèle standard pour l'échange de données, tandis que des langages d'interrogation tels que SPARQL permettent aux utilisateurs de récupérer des informations sur la base de ces relations. La construction de KG implique souvent l'extraction d'informations à partir de diverses sources, y compris des bases de données structurées et du texte non structuré, parfois en utilisant des techniques de traitement du langage naturel (NLP) et potentiellement en impliquant des systèmes de raisonnement complexes.
Graphes de connaissances et autres concepts
Bien qu'ils soient apparentés à d'autres structures de données, les graphes de connaissances ont des caractéristiques distinctes :
- Bases de données : Les bases de données relationnelles traditionnelles stockent les données dans des tables avec des schémas prédéfinis, en se concentrant sur le stockage et la récupération efficaces d'enregistrements structurés. Les KG excellent dans la représentation de relations complexes, souvent hétérogènes, et dans la déduction de nouvelles connaissances, ce qui est moins simple dans les bases de données standard.
- Les ontologies : Une ontologie définit le vocabulaire et les règles (le schéma) d'un domaine, en précisant les types d'entités et de relations. Un graphe de connaissances est souvent une instance d' une ontologie, représentant des faits spécifiques selon ces règles. Le langage d'ontologie Web (OWL) est une norme commune pour définir les ontologies.
- Bases de données vectorielles: Elles stockent les données sous forme de vecteurs à haute dimension (embeddings), capturant la similarité sémantique. Elles sont excellentes pour trouver des éléments similaires mais ne définissent pas explicitement les relations comme le font les KG. Les bases de données vectorielles stockent des liens explicites et factuels.
Applications en IA/ML
Les graphes de connaissances alimentent de nombreuses applications intelligentes :
- Résultats de recherche améliorés : Les moteurs de recherche comme Google utilisent les KG (comme le Google Knowledge Graph) pour comprendre sémantiquement les requêtes de recherche et fournir des réponses directes, des résumés et des entités connexes dans des panneaux d'information, allant au-delà de la simple correspondance de mots clés pour permettre une meilleure recherche sémantique.
- Systèmes de recommandation: Les plateformes utilisent les KG pour modéliser les connexions entre les utilisateurs, les produits, les contenus et leurs attributs (par exemple, le genre, les acteurs, le réalisateur). Cela permet d'obtenir des recommandations plus nuancées basées sur les relations découvertes, améliorant ainsi l'expérience des utilisateurs dans des domaines tels que l 'IA dans le commerce de détail de la mode.
- IA contextuelle : Dans le domaine de la vision par ordinateur (VA), la détection d'un objet tel qu'un bâtiment spécifique à l'aide d'une caméra de surveillance. Ultralytics YOLO d'Ultralytics tel que YOLOv8 pourrait déclencher une requête KG pour retrouver son histoire, son architecte ou ses horaires d'ouverture, enrichissant ainsi la compréhension de l'application. Ces données contextuelles peuvent être gérées et utilisées au sein de plateformes comme Ultralytics HUB. Les KG améliorent également les systèmes de réponse aux questions en fournissant des connaissances de base structurées.
- Découverte de médicaments : Les KG intègrent diverses données biologiques (gènes, protéines, maladies, médicaments) pour aider les chercheurs à identifier les cibles potentielles des médicaments et les interactions, accélérant ainsi les solutions d'IA dans le domaine de la santé.
Construire et utiliser des graphes de connaissances
La création et la mise à jour des graphes de connaissances peuvent faire appel à des techniques d'extraction automatisées, à la curation manuelle ou à une combinaison des deux. Les graphes de connaissances libres comme DBpedia (dérivé de Wikipédia) et Wikidata fournissent de grandes quantités de données structurées. Les technologies spécialisées dans les bases de données de graphes, comme Neo4j, sont conçues pour stocker et interroger efficacement les données de graphes. Les modèles de ML sont de plus en plus utilisés pour des tâches telles que la reconnaissance d'entités et l'extraction de relations afin de remplir automatiquement les KG à partir de texte ou même de données visuelles dérivées de divers ensembles de données de vision par ordinateur.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
