Saiba como os gráficos de conhecimento organizam entidades e relações do mundo real para a IA. Descubra como usar Ultralytics para extrair nós e aprimorar modelos de ML.
Um gráfico de conhecimento é uma representação estruturada de entidades do mundo real e das relações entre elas. Ao contrário de um banco de dados padrão, que armazena dados em linhas e colunas rígidas, um gráfico de conhecimento organiza as informações como uma rede de nós (representando objetos, pessoas ou conceitos) e arestas (representando as conexões ou interações entre esses nós). Essa estrutura imita a forma como os seres humanos organizam as informações, permitindo que os sistemas de inteligência artificial (IA) compreendam o contexto, inferem novos fatos e raciocinem sobre os dados de uma forma mais semântica e interconectada.
No centro de um gráfico de conhecimento estão três componentes principais que formam «tríplices» (Sujeito-Predicado-Objeto):
Essa estrutura semelhante a uma teia permite que os sistemas realizem buscas semânticas, nas quais o motor compreende a intenção do utilizador, em vez de apenas corresponder palavras-chave. Por exemplo, saber que «Jaguar» é tanto um animal quanto uma marca de automóveis permite que o sistema diferencie os resultados com base no contexto.
Os gráficos de conhecimento são cada vez mais vitais para aprimorar os modelos de aprendizagem automática (ML). Embora os modelos de aprendizagem profunda se destaquem no reconhecimento de padrões estatísticos, muitas vezes carecem de fundamentação factual. A integração de um gráfico de conhecimento permite que os modelos acessem uma "visão de mundo" verificada.
Os modelos de visão computacional atuam como excelentes pontos de entrada para preencher grafos de conhecimento, identificando entidades físicas no mundo real. O Python a seguir demonstra como usar o modelo Ultralytics para detect em uma imagem. Essas classes detectadas podem atuar como nós, que podem então ser vinculados em um banco de dados de grafos (como Neo4j ou 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}")
É importante distinguir um gráfico de conhecimento de um banco de dados relacional tradicional (RDBMS). Um banco de dados relacional armazena dados em tabelas rígidas ligadas por chaves estrangeiras, o que é eficiente para dados estruturados e transacionais (como livros contábeis bancários). No entanto, consultar relações complexas (por exemplo, "Encontre amigos de amigos que gostam de ficção científica") requer operações de "junção" caras.
Em contrapartida, um gráfico de conhecimento (frequentemente armazenado numa base de dados gráfica) trata a relação como um elemento de primeira classe. A travessia das conexões é instantânea, tornando os gráficos superiores para tarefas que envolvem dados altamente interconectados, como deteção de redes de fraude ou análise de redes sociais. Enquanto o RDBMS se destaca no armazenamento e recuperação de registos específicos, os gráficos de conhecimento se destacam na descoberta de padrões e insights ocultos dentro das próprias conexões.
O futuro dos gráficos de conhecimento está na aprendizagem multimodal. À medida que modelos como o Ultralytics continuam a avançar na deteção de objetos e estimativa de poses, eles alimentam automaticamente o contexto visual nos gráficos. Isso cria sistemas que não apenas "leem" texto, mas "veem" o mundo, ligando conceitos visuais a definições linguísticas. Usando a Ultralytics , os programadores podem treinar esses modelos de visão especializados para reconhecer entidades personalizadas, construindo efetivamente os órgãos sensoriais para a próxima geração de sistemas de IA com consciência de conhecimento.
.webp)