Knowledge Graph

Un grafico di conoscenza è una rappresentazione strutturata delle entità del mondo reale e delle relazioni tra loro. A differenza di un database standard che memorizza i dati in rigide righe e colonne, un grafico di conoscenza organizza le informazioni come una rete di nodi (che rappresentano oggetti, persone o concetti) e bordi (che rappresentano le connessioni o le interazioni tra tali nodi). Questa struttura imita il modo in cui gli esseri umani organizzano le informazioni, consentendo ai sistemi di intelligenza artificiale (AI) di comprendere il contesto, dedurre nuovi fatti e ragionare sui dati in modo più semantico e interconnesso.

Comprendere la struttura

Il nucleo di un grafico di conoscenza è costituito da tre componenti principali che formano delle "triplette" (soggetto-predicato-oggetto):

• Nodi (entità): sono i singoli punti dati, come "Londra", "Python" o "Ultralytics ". Nelle attività di visione artificiale, possono rappresentare oggetti rilevati come "Auto" o "Pedone".
• Bordi (relazioni): queste linee distinte collegano i nodi e definiscono come sono collegati. Ad esempio, un bordo potrebbe etichettare la relazione tra "Londra" e "Regno Unito" come "è_capitale_di".
• Attributi (proprietà): dettagli aggiuntivi che descrivono un nodo, come la popolazione di una città o il punteggio di affidabilità di un rilevamento di oggetti.

Questa struttura simile a una rete consente ai sistemi di eseguire ricerche semantiche, in cui il motore comprende l' intento dell'utente anziché limitarsi a trovare corrispondenze tra parole chiave. Ad esempio, sapendo che "Jaguar" è sia un animale che una marca di automobili, il sistema è in grado di differenziare i risultati in base al contesto.

Integrazione con l'apprendimento automatico

I grafici di conoscenza sono sempre più importanti per migliorare i modelli di apprendimento automatico (ML). Sebbene i modelli di deep learning eccellano nel riconoscimento statistico dei modelli, spesso mancano di basi concrete. L'integrazione di un grafico di conoscenza consente ai modelli di accedere a una "visione del mondo" verificata.

• Generazione potenziata dal recupero (RAG):i modelli generativi possono talvolta produrre informazioni plausibili ma errate. Basando i modelli linguistici di grandi dimensioni (LLM) su un grafico di conoscenza, gli agenti di IA possono interrogare una fonte verificata di verità prima di generare una risposta. Ciò riduce significativamente le allucinazioni negli LLM e migliora l' accuratezza fattuale per le applicazioni aziendali.
• Sistemi di raccomandazione:nell' intelligenza artificiale nel settore retail, i grafici mappano le complesse relazioni tra utenti e prodotti. Se un cliente acquista una fotocamera, il grafico comprende il collegamento funzionale con "schede SD " o "treppiedi", consentendo suggerimenti più intelligenti rispetto al semplice filtraggio collaborativo.

Esempio di codice: Estrazione di entità per un grafico

I modelli di visione artificiale costituiscono ottimi punti di partenza per popolare i grafici di conoscenza identificando entità fisiche nel mondo reale. Il seguente Python mostra come utilizzare il modello Ultralytics per detect in un'immagine. Le classi rilevate possono fungere da nodi, che possono poi essere collegati in un database grafico (come Neo4j o Amazon Neptune).

from ultralytics import YOLO

# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")

# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}

print(f"Graph Nodes: {detected_entities}")

Applicazioni nel mondo reale

1. Scoperta di farmaci nel settore sanitario: i ricercatori nel campo dell' intelligenza artificiale nel settore sanitario utilizzano grafici di conoscenza per modellare le interazioni biologiche. Collegando entità quali geni, proteine e composti chimici provenienti da database come UniProt, gli algoritmi possono prevedere potenziali bersagli farmacologici ed effetti collaterali, accelerando lo sviluppo di nuovi trattamenti.
2. Gemelli digitali della catena di approvvigionamento: le aziende di logistica utilizzano grafici di conoscenza per creare un "gemello digitale" delle loro operazioni. I nodi rappresentano fornitori, magazzini e inventario, mentre i bordi rappresentano le rotte di spedizione e le dipendenze. Questa struttura facilita l' analisi dei Big Data, consentendo ai manager di prevedere i ritardi e ottimizzare le rotte in modo dinamico.

Grafici di conoscenza vs. database relazionali

È importante distinguere un grafico di conoscenza da un database relazionale tradizionale (RDBMS). Un database relazionale memorizza i dati in tabelle rigide collegate da chiavi esterne, il che è efficiente per dati strutturati e transazionali (come i registri bancari). Tuttavia, l'interrogazione di relazioni complesse (ad esempio, "Trova amici di amici a cui piace la fantascienza") richiede costose operazioni di "join".

Al contrario, un grafico di conoscenza (spesso memorizzato in un database grafico) tratta la relazione come un elemento di primaria importanza. L'attraversamento delle connessioni è istantaneo, rendendo i grafici superiori per attività che coinvolgono dati altamente interconnessi, come il rilevamento di frodi o l'analisi dei social network. Mentre l'RDBMS eccelle nell'archiviazione e nel recupero di record specifici, i grafici di conoscenza eccellono nella scoperta di modelli e intuizioni nascoste all'interno delle connessioni stesse.

Prospettive future con l'intelligenza artificiale multimodale

Il futuro dei grafici di conoscenza risiede nell' apprendimento multimodale. Man mano che modelli come Ultralytics continuano a progredire nel rilevamento degli oggetti e nella stima delle pose, essi inseriranno automaticamente il contesto visivo nei grafici. Ciò crea sistemi che non solo "leggono" il testo, ma "vedono" il mondo, collegando i concetti visivi alle definizioni linguistiche. Utilizzando la Ultralytics , gli sviluppatori possono addestrare questi modelli di visione specializzati a riconoscere entità personalizzate, costruendo efficacemente gli organi sensoriali per la prossima generazione di sistemi di IA consapevoli della conoscenza.