Grafico della conoscenza

Concetti fondamentali

I grafi della conoscenza sono costruiti utilizzando nodi (che rappresentano entità o concetti) e bordi (che rappresentano le relazioni tra questi nodi). Ad esempio, un nodo potrebbe essereUltralytics YOLO" e un altro"Object Detection", collegati da un bordo etichettato "is a type of". Questa struttura permette di effettuare query complesse e di ragionare, consentendo ai sistemi di dedurre nuovi fatti dai dati esistenti. Tecnologie come il Resource Description Framework (RDF) forniscono un modello standard per l'interscambio dei dati, mentre i linguaggi di interrogazione come SPARQL permettono agli utenti di recuperare le informazioni in base a queste relazioni. La costruzione di KG spesso comporta l'estrazione di informazioni da varie fonti, tra cui database strutturati e testi non strutturati, a volte utilizzando tecniche di elaborazione del linguaggio naturale (NLP) e potenzialmente coinvolgendo complessi sistemi di ragionamento.

Grafici della conoscenza e altri concetti

Pur essendo correlati ad altre strutture di dati, i grafi della conoscenza hanno caratteristiche distinte:

• Database: I database relazionali tradizionali archiviano i dati in tabelle con schemi predefiniti, concentrandosi sull'archiviazione e il recupero efficiente di record strutturati. I KG eccellono nel rappresentare relazioni complesse e spesso eterogenee e nell'inferire nuove conoscenze, cosa che è meno semplice nei database standard.
• Ontologie: Un'ontologia definisce il vocabolario e le regole (lo schema) di un dominio, specificando i tipi di entità e le relazioni. Un grafo della conoscenza è spesso un'istanza di un'ontologia, che rappresenta fatti specifici secondo queste regole. Il Web Ontology Language (OWL) è uno standard comune per la definizione delle ontologie.
• Database vettoriali: Memorizzano i dati come vettori ad alta dimensionalità (embeddings), catturando la somiglianza semantica. Sono eccellenti per trovare elementi simili, ma non definiscono esplicitamente le relazioni come i KG. I KG memorizzano connessioni esplicite e concrete.

Applicazioni in AI/ML

I grafi della conoscenza sono alla base di molte applicazioni intelligenti:

• Risultati di ricerca migliorati: I motori di ricerca come Google utilizzano i KG (come il Google Knowledge Graph) per comprendere le query di ricerca in modo semantico e fornire risposte dirette, riassunti ed entità correlate nei pannelli informativi, andando oltre la semplice corrispondenza delle parole chiave per consentire una migliore ricerca semantica.
• Sistemi di raccomandazione: Le piattaforme utilizzano le KG per modellare le connessioni tra utenti, prodotti, contenuti e i loro attributi (ad esempio, genere, attori, regista). Questo permette di creare raccomandazioni più sfumate in base alle relazioni scoperte, migliorando l'esperienza dell'utente in settori come l'intelligenza artificiale nella vendita al dettaglio di prodotti di moda.
• IA contestuale: nella computer vision (CV), il rilevamento di un oggetto, come un edificio specifico, utilizzando una Ultralytics YOLO come YOLOv8 potrebbe attivare una query KG per recuperarne la storia, l'architetto o gli orari di apertura, arricchendo la comprensione dell'applicazione. Questi dati contestuali possono essere gestiti e utilizzati all'interno di piattaforme come Ultralytics HUB. I KG migliorano anche i sistemi di Question Answering fornendo conoscenze di base strutturate.
• Scoperta di farmaci: I KG integrano diversi dati biologici (geni, proteine, malattie, farmaci) per aiutare i ricercatori a identificare potenziali bersagli e interazioni farmacologiche, accelerando le soluzioni di intelligenza artificiale nel settore sanitario.

Costruire e utilizzare i grafici della conoscenza

La creazione e la manutenzione dei grafi della conoscenza possono richiedere tecniche di estrazione automatica, di cura manuale o una combinazione. I grafi della conoscenza open-source come DBpedia (derivato da Wikipedia) e Wikidata forniscono grandi quantità di dati strutturati. Le tecnologie specializzate per i database a grafo, come Neo4j, sono progettate per archiviare e interrogare i dati a grafo in modo efficiente. I modelli di ML sono sempre più utilizzati per compiti come il riconoscimento di entità e l'estrazione di relazioni per popolare automaticamente i grafi della conoscenza a partire da testi o anche da dati visivi derivati da vari set di dati di computer vision.