Un grafo della conoscenza organizza le informazioni collegando entità del mondo reale (come persone, luoghi, organizzazioni o concetti) e descrivendo le relazioni tra di esse. Funziona come una mappa intelligente della conoscenza, dove i punti rappresentano le entità e le linee che le collegano rappresentano le loro relazioni. Questo approccio strutturato è fondamentale per i sistemi di Intelligenza Artificiale (AI) e di Apprendimento Automatico (ML), in quanto consente loro di comprendere il contesto, trarre inferenze e accedere alle informazioni in modo più efficace rispetto alla ricerca in testi non strutturati o in database isolati. Le KG costituiscono la spina dorsale semantica di molte applicazioni avanzate di IA.
Concetti fondamentali
I grafi della conoscenza sono costituiti da nodi (che rappresentano entità o concetti) e da bordi (che rappresentano le relazioni o i predicati che collegano questi nodi). Ad esempio, un nodo potrebbe essereUltralytics YOLO" e un altro"Object Detection"; un bordo etichettato "is a type of" potrebbe collegarli. Questa struttura consente di interrogare relazioni complesse e di eseguire attività di ragionamento, come dedurre nuovi fatti dai dati esistenti collegati. Le tecnologie chiave sono alla base delle KG: standard come il Resource Description Framework (RDF) forniscono un modello comune per la rappresentazione dei dati, mentre i linguaggi di interrogazione come SPARQL consentono di recuperare informazioni basate su modelli di grafi. La creazione di KG spesso comporta l'estrazione di informazioni da fonti diverse, tra cui dati strutturati (come i database) e testi non strutturati, utilizzando spesso tecniche di elaborazione del linguaggio naturale (NLP) e sistemi di ragionamento potenzialmente complessi. La qualità dei dati e la governance dei dati sono fondamentali per mantenere affidabili le KG.
Grafici della conoscenza e altri concetti
Pur essendo correlati ad altri metodi di organizzazione dei dati, i grafi della conoscenza possiedono caratteristiche uniche:
- Ontologia: Un'ontologia definisce formalmente i tipi, le proprietà e le interrelazioni delle entità all'interno di un dominio specifico (lo schema o blueprint). Le KG spesso utilizzano un'ontologia come base strutturale, ma contengono anche i dati di istanza (i fatti e le entità specifiche). Per definire le ontologie si utilizzano linguaggi come il Web Ontology Language (OWL).
- Tassonomia: Una tassonomia è un sistema di classificazione gerarchico (ad esempio, la classificazione degli animali per regno, phylum, classe). Le KG sono più flessibili e rappresentano reti complesse e multi-relazionali che non sono strettamente gerarchiche.
- Database vettoriali: Questi database memorizzano i dati sotto forma di incorporazioni numeriche ottimizzate per la ricerca di similarità(ricerca vettoriale). Le KG, invece, rappresentano relazioni esplicite e simboliche tra le entità. Pur essendo distinti, possono essere complementari; i KG possono fornire un contesto strutturato per le informazioni recuperate tramite la ricerca vettoriale.
Applicazioni in AI/ML
I grafi della conoscenza sono parte integrante di numerose applicazioni intelligenti:
- Ricerca semantica: I motori di ricerca come Google utilizzano i KG (ad esempio, il Google Knowledge Graph) per comprendere l'intento delle query e fornire risultati più pertinenti e contestuali rispetto alla semplice corrispondenza delle parole chiave.
- Sistemi di raccomandazione: Modellando le relazioni tra gli utenti, gli oggetti e i loro attributi, i KG permettono di ottenere raccomandazioni più sofisticate e personalizzate in settori come l'e-commerce(AI nella vendita al dettaglio) e lo streaming di contenuti.
- Risposta alle domande e chatbot: I KG forniscono una conoscenza strutturata che permette ai sistemi di IA di rispondere a domande complesse navigando tra le relazioni tra entità, migliorando le capacità di IA conversazionale.
- Integrazione dei dati: I KG possono unificare i dati provenienti da fonti diverse, creando una visione coerente e interconnessa delle informazioni in tutta l'organizzazione. Questo è fondamentale per l'analisi dei Big Data.
- Potenziamento di altri modelli di IA: Le KG possono fornire conoscenze di base contestuali per altri compiti di IA. Ad esempio, nella Computer Vision (CV), un KG potrebbe collegare gli oggetti rilevati da modelli come Ultralytics YOLOv8 a informazioni correlate sulle loro proprietà, funzioni o interazioni, portando a una comprensione più ricca della scena. Piattaforme come Ultralytics HUB gestiscono insiemi di dati e modelli che potrebbero potenzialmente popolare o sfruttare le KG.
Esempi del mondo reale
- Personalizzazione dell'e-commerce: Un rivenditore online utilizza un grafo della conoscenza che collega clienti, prodotti, marchi, categorie, cronologia delle visite, dati di acquisto e recensioni dei prodotti. Quando un utente cerca "scarpe da corsa", il KG aiuta il sistema a comprendere i concetti correlati (ad esempio, "maratona", "trail running", marche specifiche) e le preferenze dell'utente (acquisti passati, articoli visti) per fornire risultati di ricerca altamente personalizzati e raccomandazioni per prodotti complementari come abbigliamento o accessori. Questo migliora l'esperienza del cliente.
- Soluzioni AI nel settore sanitario: Un istituto di ricerca medica costruisce un grafo di conoscenza che collega malattie, sintomi, geni, proteine, farmaci, studi clinici e pubblicazioni di ricerca(come quelle indicizzate in PubMed). Questo permette ai ricercatori e ai medici di interrogare relazioni complesse, come ad esempio "Trova i farmaci che hanno come bersaglio la proteina X e sono utilizzati per trattare la malattia Y", accelerando la scoperta di farmaci e fornendo un supporto decisionale per le diagnosi basate sull'interconnessione dei dati dei sintomi e dei pazienti, migliorando potenzialmente l'analisi delle immagini mediche.
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
AR
TR
VI
