Gráfico de conhecimento

Conceitos fundamentais

Os gráficos de conhecimento são construídos utilizando nós (que representam entidades ou conceitos) e arestas (que representam as relações entre esses nós). Por exemplo, um nó pode serUltralytics YOLO" e outro"Object Detection", ligados por uma aresta denominada "is a type of". Esta estrutura permite consultas complexas e capacidades de raciocínio, permitindo aos sistemas inferir novos factos a partir de dados existentes. Tecnologias como o Resource Description Framework (RDF) fornecem um modelo normalizado para o intercâmbio de dados, enquanto linguagens de consulta como o SPARQL permitem aos utilizadores obter informações com base nestas relações. A construção de KGs implica frequentemente a extração de informações de várias fontes, incluindo bases de dados estruturadas e texto não estruturado, utilizando por vezes técnicas de processamento da linguagem natural (PLN) e envolvendo potencialmente sistemas de raciocínio complexos.

Gráficos de conhecimento vs. outros conceitos

Embora estejam relacionados com outras estruturas de dados, os grafos de conhecimento têm caraterísticas distintas:

• Bases de dados: As bases de dados relacionais tradicionais armazenam dados em tabelas com esquemas predefinidos, centrando-se no armazenamento e recuperação eficientes de registos estruturados. Os KG são excelentes na representação de relações complexas, muitas vezes heterogéneas, e na inferência de novos conhecimentos, o que é menos simples nas bases de dados normais.
• Ontologias: Uma ontologia define o vocabulário e as regras (o esquema) para um domínio, especificando tipos de entidades e relações. Um gráfico de conhecimento é frequentemente uma instância de uma ontologia, representando factos específicos de acordo com essas regras. A Linguagem Ontológica da Web (OWL) é uma norma comum para a definição de ontologias.
• Bases de dados vectoriais: Estes armazenam dados como vectores de alta dimensão (embeddings), capturando a semelhança semântica. São excelentes para encontrar itens semelhantes, mas não definem explicitamente relações como fazem os KGs. Os KGs armazenam ligações explícitas e factuais.

Aplicações em IA/ML

Os grafos de conhecimento alimentam muitas aplicações inteligentes:

• Resultados de pesquisa melhorados: Motores de pesquisa como o Google utilizam KGs (como o Google Knowledge Graph) para compreender semanticamente as consultas de pesquisa e fornecer respostas diretas, resumos e entidades relacionadas em painéis de informação, indo além da simples correspondência de palavras-chave para permitir uma melhor pesquisa semântica.
• Sistemas de recomendação: As plataformas utilizam KGs para modelar as ligações entre utilizadores, produtos, conteúdos e os seus atributos (por exemplo, género, actores, realizador). Isto permite recomendações mais matizadas com base nas relações descobertas, melhorando a experiência do utilizador em áreas como a IA no retalho de moda.
• IA contextual: Na Visão por Computador (CV), a deteção de um objeto, como um edifício específico, utilizando uma Ultralytics YOLO como o modelo YOLOv8 pode acionar uma consulta KG para recuperar a sua história, arquiteto ou horário de funcionamento, enriquecendo a compreensão da aplicação. Estes dados contextuais podem ser geridos e utilizados em plataformas como o Ultralytics HUB. Os KGs também melhoram os sistemas de resposta a perguntas, fornecendo conhecimento de base estruturado.
• Descoberta de medicamentos: Os KGs integram diversos dados biológicos (genes, proteínas, doenças, medicamentos) para ajudar os investigadores a identificar potenciais alvos e interações de medicamentos, acelerando as soluções de IA nos cuidados de saúde.

Criar e utilizar gráficos de conhecimento

A criação e manutenção de KGs pode envolver técnicas de extração automatizadas, curadoria manual ou uma combinação de ambas. Os grafos de conhecimento de fonte aberta, como a DBpedia (derivada da Wikipedia) e a Wikidata, fornecem grandes quantidades de dados estruturados. Tecnologias especializadas de bases de dados de grafos, como a Neo4j, foram concebidas para armazenar e consultar dados de grafos de forma eficiente. Os modelos de aprendizagem automática são cada vez mais utilizados em tarefas como o reconhecimento de entidades e a extração de relações para preencher automaticamente os grafos de conhecimento a partir de texto ou mesmo de dados visuais derivados de vários conjuntos de dados de visão computacional.