Глоссарий

График знаний

Узнай, как графы знаний революционизируют ИИ, моделируя сложные взаимосвязи, обеспечивая семантический поиск, персонализированные рекомендации и многое другое.

Обучай модели YOLO просто
с помощью Ultralytics HUB.

Узнай больше

Граф знаний организует информацию, соединяя сущности реального мира (например, людей, места, организации или концепции) и описывая отношения между ними. Он функционирует как интеллектуальная карта знаний, где точки представляют сущности, а линии, соединяющие их, показывают, как они связаны между собой. Такой структурированный подход крайне важен для систем искусственного интеллекта (ИИ) и машинного обучения (МЛ), позволяя им понимать контекст, делать выводы и получать доступ к информации более эффективно, чем поиск по неструктурированному тексту или изолированным базам данных. КГ служат семантической основой для многих продвинутых приложений ИИ.

Основные понятия

Графы знаний состоят из узлов (представляющих сущности или понятия) и ребер (представляющих отношения или предикаты, соединяющие эти узлы). Например, один узел может бытьUltralytics YOLO", а другой -"Object Detection"; их может соединить ребро с пометкой "is a type of". Такая структура позволяет запрашивать сложные взаимосвязи и выполнять задачи рассуждения, например, выводить новые факты из имеющихся связанных данных. Ключевые технологии лежат в основе КГ: стандарты вроде Resource Description Framework (RDF) обеспечивают общую модель для представления данных, а языки запросов вроде SPARQL позволяют искать информацию на основе графовых паттернов. Построение КГ часто предполагает извлечение информации из различных источников, включая структурированные данные (например, базы данных) и неструктурированный текст, часто с использованием методов обработки естественного языка (NLP) и потенциально сложных систем рассуждений. Качество данных и управление данными очень важны для поддержания надежности КГ.

Графы знаний в сравнении с другими концепциями

Несмотря на родство с другими методами организации данных, графы знаний обладают уникальными характеристиками:

  • Онтология: Онтология формально определяет типы, свойства и взаимосвязи сущностей в конкретной области (схема или чертеж). КГ часто используют онтологию в качестве структурной основы, но при этом содержат фактические данные экземпляра (конкретные факты и сущности). Для определения онтологий используются такие языки, как Web Ontology Language (OWL).
  • Таксономия: Таксономия - это иерархическая система классификации (например, классификация животных по царствам, филумам, классам). КГ являются более гибкими, представляя собой сложные, многосвязные сети, которые не являются строго иерархическими.
  • Векторные базы данных: В этих базах данные хранятся в виде числовых вкраплений, оптимизированных для поиска по сходству(векторный поиск). КГ, наоборот, представляют собой явные, символические отношения между сущностями. Несмотря на различие, они могут дополнять друг друга; КГ могут обеспечить структурированный контекст для информации, полученной с помощью векторного поиска.

Приложения в AI/ML

Графы знаний являются неотъемлемой частью многочисленных интеллектуальных приложений:

  • Семантический поиск: Поисковые системы вроде Google используют КГ (например, Google Knowledge Graph), чтобы понимать намерения, лежащие в основе запросов, и предоставлять более релевантные, контекстные результаты, не ограничиваясь простым подбором ключевых слов.
  • Рекомендательные системы: Моделируя отношения между пользователями, предметами и их атрибутами, КГ позволяют создавать более сложные и персонализированные рекомендации в таких областях, как электронная коммерция(ИИ в розничной торговле) и потоковое воспроизведение контента.
  • Ответы на вопросы и чатботы: КГ предоставляют структурированные знания, которые позволяют системам ИИ отвечать на сложные вопросы, ориентируясь на отношения между сущностями, что расширяет возможности разговорного ИИ.
  • Интеграция данных: КГ могут объединять данные из разрозненных источников, создавая последовательное и взаимосвязанное представление информации в масштабах всей организации. Это жизненно важно для аналитики Больших Данных.
  • Улучшение других моделей ИИ: КГ могут предоставлять контекстные фоновые знания для других задач ИИ. Например, в компьютерном зрении (КЗ) КГ может связать объекты, обнаруженные такими моделями, как Ultralytics YOLOv8 с соответствующей информацией об их свойствах, функциях или взаимодействии, что приводит к более глубокому пониманию сцены. Платформы вроде Ultralytics HUB управляют наборами данных и моделями, которые потенциально могут наполнять или использовать КГ.

Примеры из реальной жизни

  1. Персонализация в электронной коммерции: Онлайн-магазин использует граф знаний, связывающий клиентов, товары, бренды, категории, историю просмотров, данные о покупках и отзывы о товарах. Когда пользователь ищет "беговые кроссовки", КГ помогает системе понять смежные понятия (например, "марафон", "бег по тропе", конкретные бренды) и предпочтения пользователя (прошлые покупки, просмотренные товары), чтобы предоставить высоко персонализированные результаты поиска и рекомендации по дополнительным товарам, например одежде или аксессуарам. Это повышает качество обслуживания покупателей.
  2. Решения ИИ в здравоохранении: Медицинское исследовательское учреждение строит граф знаний, связывающий болезни, симптомы, гены, белки, лекарства, клинические испытания и научные публикации(например, те, что индексируются в PubMed). Это позволяет исследователям и клиницистам запрашивать сложные взаимосвязи, например "Найти лекарства, которые нацелены на белок X и используются для лечения болезни Y", ускоряя открытие лекарств и обеспечивая поддержку принятия решений при постановке диагнозов на основе взаимосвязанных симптомов и данных о пациентах, а также потенциально улучшая анализ медицинских изображений.
Читать полностью