ナレッジグラフ

コア・コンセプト

知識グラフは、ノード（エンティティまたは概念を表す）とエッジ（これらのノード間の関係を表す）を使用して構築されます。例えば、あるノードはUltralytics YOLO」、別のノードは「Object Detection」で、「is a type of」とラベル付けされたエッジで接続される。この構造は、複雑なクエリーと推論機能を可能にし、システムが既存のデータから新しい事実を推論することを可能にする。リソース記述フレームワーク（RDF）のような技術は、データ交換のための標準モデルを提供し、SPARQLのようなクエリ言語は、ユーザがこれらの関係に基づいて情報を検索することを可能にする。KGの構築には、構造化データベースや非構造化テキストを含む様々なソースから情報を抽出することが多く、時には自然言語処理（NLP）技術を使用し、複雑な推論システムを伴う可能性もある。

ナレッジグラフと他の概念

ナレッジグラフは他のデータ構造と関連しているが、明確な特徴を持っている：

• データベース：従来のリレーショナル・データベースは、あらかじめ定義されたスキーマを持つテーブルにデータを格納し、構造化されたレコードの効率的な格納と検索に重点を置いている。KGは、複雑で、しばしば異質な関係を表現し、新しい知識を推論することに優れている。
• オントロジー： オントロジーは、あるドメインの語彙とルール（スキーマ）を定義し、エンティティのタイプと関係を指定する。知識グラフはオントロジーのインスタンスであることが多く、これらのルールに従って特定の事実を表現する。ウェブ・オントロジー言語（OWL）は、オントロジーを定義するための一般的な標準である。
• ベクトルデータベース：データを高次元ベクトル（埋め込み）として格納し、意味的な類似性を把握する。類似項目を見つけるのに優れているが、KGのように明示的に関係を定義しない。KGは明示的で事実に基づいたつながりを保存する。

AI/MLへの応用

ナレッジグラフは、多くのインテリジェント・アプリケーションに力を与える：

• 検索結果の強化： Google ような検索エンジンは、KG（Google Knowledge Graphのような）を使用して、検索クエリを意味的に理解し、情報パネルで直接的な回答、要約、関連するエンティティを提供し、単純なキーワードマッチングを超えて、より良いセマンティック検索を可能にします。
• 推薦システム：プラットフォームは、KGを使用して、ユーザー、商品、コンテンツ、およびそれらの属性（ジャンル、俳優、監督など）間のつながりをモデル化する。これにより、発見された関係性に基づくより微妙なレコメンデーションが可能になり、ファッション小売におけるAIのような分野でユーザー体験を向上させる。
• コンテクスチュアルAI： コンピュータ・ビジョン（CV）において、特定の建物のような物体を検出すること。 Ultralytics YOLOモデル YOLOv8のようなUltralyticsのYOLOモデルを使用して特定の建物のようなオブジェクトを検出すると、その建物の歴史、建築家、営業時間などを取得するためのKGクエリーがトリガーされ、アプリケーションの理解を深めることができる。このコンテキストデータは、Ultralytics HUBのようなプラットフォームで管理・利用することができる。KGはまた、構造化された背景知識を提供することで、質問応答システムを強化する。
• 創薬：KGは、多様な生物学的データ（遺伝子、タンパク質、疾患、薬剤）を統合し、研究者が潜在的な創薬ターゲットや相互作用を特定するのを支援し、ヘルスケアにおけるAIソリューションを加速させる。

ナレッジグラフの構築と活用

KGの作成と管理には、自動抽出技術、手作業によるキュレーション、またはその組み合わせが含まれる。DBpedia（Wikipediaから派生）やWikidataのようなオープンソースのナレッジグラフは、膨大な量の構造化データを提供する。Neo4jのような専門的なグラフデータベース技術は、グラフデータを効率的に格納し、クエリするように設計されている。MLモデルは、エンティティ認識や関係抽出のようなタスクにますます使用され、テキストや、様々なコンピュータビジョンデータセットから得られるビジュアルデータから、自動的にKGを生成する。