График знаний

Основные понятия

Графы знаний строятся с помощью узлов (представляющих сущности или понятия) и ребер (представляющих отношения между этими узлами). Например, одним узлом может бытьUltralytics YOLO", а другим -"Object Detection", соединенные ребром с пометкой "is a type of". Такая структура позволяет создавать сложные запросы и рассуждения, позволяя системам выводить новые факты из существующих данных. Такие технологии, как Resource Description Framework (RDF), предоставляют стандартную модель для обмена данными, а языки запросов вроде SPARQL позволяют пользователям получать информацию на основе этих отношений. Создание КГ часто предполагает извлечение информации из различных источников, включая структурированные базы данных и неструктурированный текст, иногда с использованием методов обработки естественного языка (NLP) и потенциально с привлечением сложных систем рассуждений.

Графы знаний в сравнении с другими концепциями

Несмотря на родство с другими структурами данных, графы знаний имеют свои отличительные особенности:

• Базы данных: Традиционные реляционные базы данных хранят данные в таблицах с заранее определенными схемами, ориентируясь на эффективное хранение и поиск структурированных записей. КГ отлично справляются с представлением сложных, часто разнородных отношений и выводом новых знаний, что менее просто в стандартных базах данных.
• Онтологии: Онтология определяет словарь и правила (схему) для домена, задавая типы сущностей и отношений. Граф знаний часто является экземпляром онтологии, представляя конкретные факты в соответствии с этими правилами. Язык веб-онтологий (OWL) - это общий стандарт для определения онтологий.
• Векторные базы данных: Они хранят данные в виде высокоразмерных векторов (эмбеддингов), фиксируя семантическое сходство. Они отлично подходят для поиска похожих элементов, но не определяют отношения в явном виде, как это делают КГ. КГ хранят явные, фактические связи.

Приложения в AI/ML

Графы знаний служат основой многих интеллектуальных приложений:

• Улучшенные результаты поиска: Поисковые системы, такие как Google , используют KG (например, Google Knowledge Graph) для семантического понимания поисковых запросов и предоставления прямых ответов, резюме и связанных сущностей в информационных панелях, выходя за рамки простого подбора ключевых слов и обеспечивая лучший семантический поиск.
• Рекомендательные системы: Платформы используют КГ для моделирования связей между пользователями, продуктами, контентом и его атрибутами (например, жанром, актерами, режиссером). Это позволяет создавать более тонкие рекомендации на основе обнаруженных взаимосвязей, улучшая пользовательский опыт в таких областях, как ИИ в модной рознице.
• Контекстный ИИ: в компьютерном зрении (КВ) обнаружение объекта, например конкретного здания, с помощью Ultralytics YOLO такой модели, как YOLOv8 может спровоцировать КГ-запрос, чтобы получить информацию о его истории, архитекторе или часах работы, что обогатит понимание приложения. Этими контекстными данными можно управлять и использовать в рамках таких платформ, как Ultralytics HUB. КГ также улучшают системы ответов на вопросы, предоставляя структурированные фоновые знания.
• Открытие лекарственных препаратов: КГ объединяют разнообразные биологические данные (гены, белки, болезни, лекарства), чтобы помочь исследователям определить потенциальные цели и взаимодействия лекарств, ускоряя внедрение ИИ-решений в здравоохранение.

Построение и использование графиков знаний

Создание и ведение графов знаний может включать в себя автоматические методы извлечения, ручное курирование или их комбинацию. Графы знаний с открытым исходным кодом, такие как DBpedia (полученная из Википедии) и Wikidata, предоставляют огромные объемы структурированных данных. Специализированные технологии баз данных графов, такие как Neo4j, предназначены для эффективного хранения и запроса данных графов. ML-модели все чаще используются для таких задач, как распознавание сущностей и извлечение связей, чтобы автоматически наполнять КГ из текста или даже визуальных данных, полученных из различных наборов данных компьютерного зрения.