Sözlük

Bilgi Grafiği

Bilgi grafiklerinin karmaşık ilişkileri modelleyerek, semantik arama, kişiselleştirilmiş öneriler ve daha fazlasını sağlayarak yapay zekada nasıl devrim yarattığını keşfedin.

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

Bir bilgi grafiği, gerçek dünya varlıklarını (insanlar, yerler, kuruluşlar veya kavramlar gibi) birbirine bağlayarak ve aralarındaki ilişkileri tanımlayarak bilgileri düzenler. Noktaların varlıkları temsil ettiği ve onları birbirine bağlayan çizgilerin nasıl ilişkili olduklarını temsil ettiği akıllı bir bilgi haritası gibi işlev görür. Bu yapılandırılmış yaklaşım, Yapay Zeka (AI) ve Makine Öğrenimi (ML) sistemleri için çok önemlidir ve bağlamı anlamalarını, çıkarımlar yapmalarını ve yapılandırılmamış metin veya izole veri tabanlarında arama yapmaktan daha etkili bir şekilde bilgiye erişmelerini sağlar. KG'ler birçok gelişmiş yapay zeka uygulaması için anlamsal omurga sağlar.

Temel Kavramlar

Bilgi grafikleri düğümlerden (varlıkları veya kavramları temsil eden) ve kenarlardan (bu düğümleri birbirine bağlayan ilişkileri veya yüklemleri temsil eden) oluşur. Örneğin, bir düğümUltralytics YOLO" ve bir diğeri"Nesne Algılama" olabilir; "bir türüdür" etiketli bir kenar bunları bağlayabilir. Bu yapı, karmaşık ilişkilerin sorgulanmasına ve mevcut bağlantılı verilerden yeni gerçeklerin çıkarılması gibi muhakeme görevlerinin yerine getirilmesine olanak tanır. Temel teknolojiler KG'lerin temelini oluşturur: Kaynak Tanımlama Çerçevesi (RDF) gibi standartlar veri temsili için ortak bir model sağlarken, SPARQL gibi sorgu dilleri grafik modellerine dayalı bilgi alımını mümkün kılar. KG'lerin oluşturulması genellikle yapılandırılmış veriler (veritabanları gibi) ve yapılandırılmamış metinler de dahil olmak üzere çeşitli kaynaklardan bilgi çıkarmayı, sıklıkla Doğal Dil İşleme (NLP) tekniklerini ve potansiyel olarak karmaşık muhakeme sistemlerini kullanmayı içerir. Veri kalitesi ve veri yönetişimi, güvenilir KG'lerin sürdürülmesi için kritik öneme sahiptir.

Bilgi Grafikleri ve Diğer Kavramlar

Diğer veri düzenleme yöntemleriyle ilişkili olsa da, bilgi grafikleri benzersiz özelliklere sahiptir:

  • Ontoloji: Bir ontoloji, belirli bir alan içindeki varlıkların türlerini, özelliklerini ve birbirleriyle olan ilişkilerini resmi olarak tanımlar (şema veya plan). KG'ler genellikle yapısal temel olarak bir ontoloji kullanır ancak aynı zamanda gerçek örnek verilerini (belirli gerçekler ve varlıklar) de içerir. Ontolojileri tanımlamak için Web Ontoloji Dili (OWL) gibi diller kullanılır.
  • Taksonomi: Taksonomi, hiyerarşik bir sınıflandırma sistemidir (örneğin, hayvanları krallığa, filuma, sınıfa göre sınıflandırmak). KG'ler daha esnektir ve kesinlikle hiyerarşik olmayan karmaşık, çoklu ilişkisel ağları temsil eder.
  • Vektör Veritabanları: Bu veritabanları, verileri benzerlik aramaları(vektör araması) için optimize edilmiş sayısal katıştırmalar olarak depolar. KG'ler ise tersine, varlıklar arasındaki açık, sembolik ilişkileri temsil eder. Farklı olsalar da tamamlayıcı olabilirler; KG'ler vektör araması yoluyla alınan bilgiler için yapılandırılmış bağlam sağlayabilir.

Yapay Zeka/ML Uygulamaları

Bilgi grafikleri çok sayıda akıllı uygulamanın ayrılmaz bir parçasıdır:

  • Anlamsal Arama: Google gibi arama motorları, sorguların arkasındaki amacı anlamak ve basit anahtar kelime eşleştirmesinin ötesinde daha alakalı, bağlamsal sonuçlar sağlamak için KG'leri (ör. Google Bilgi Grafiği) kullanır.
  • Öneri Sistemleri: KG'ler kullanıcılar, öğeler ve bunların nitelikleri arasındaki ilişkileri modelleyerek e-ticaret(perakendede yapay zeka) ve içerik akışı gibi alanlarda daha sofistike ve kişiselleştirilmiş önerilere olanak sağlar.
  • Soru Yanıtlama ve Sohbet Robotları: KG'ler, yapay zeka sistemlerinin varlık ilişkilerinde gezinerek karmaşık soruları yanıtlamasına olanak tanıyan yapılandırılmış bilgi sağlayarak diyalogsal yapay zeka yeteneklerini geliştirir.
  • Veri Entegrasyonu: KG'ler, farklı kaynaklardan gelen verileri birleştirerek bir kuruluş genelinde tutarlı ve birbirine bağlı bir bilgi görünümü oluşturabilir. Bu, Büyük Veri analitiği için hayati önem taşır.
  • Diğer Yapay Zeka Modellerinin Geliştirilmesi: KG'ler diğer yapay zeka görevleri için bağlamsal arka plan bilgisi sağlayabilir. Örneğin, Bilgisayarla Görme (CV) alanında bir KG, aşağıdaki gibi modeller tarafından tespit edilen nesneleri birbirine bağlayabilir Ultralytics YOLOv8 özellikleri, işlevleri veya etkileşimleri hakkında ilgili bilgilere erişim sağlayarak daha zengin bir sahne anlayışına yol açar. Ultralytics HUB gibi platformlar, KG'leri potansiyel olarak doldurabilecek veya bunlardan yararlanabilecek veri kümelerini ve modelleri yönetir.

Gerçek Dünyadan Örnekler

  1. E-ticaret Kişiselleştirme: Çevrimiçi bir perakendeci, müşterileri, ürünleri, markaları, kategorileri, görüntüleme geçmişini, satın alma verilerini ve ürün incelemelerini birbirine bağlayan bir bilgi grafiği kullanır. Bir kullanıcı "koşu ayakkabısı" araması yaptığında KG, sistemin ilgili kavramları (ör. "maraton", "patika koşusu", belirli markalar) ve kullanıcı tercihlerini (geçmiş satın alımlar, görüntülenen ürünler) anlamasına yardımcı olarak son derece kişiselleştirilmiş arama sonuçları ve giyim veya aksesuar gibi tamamlayıcı ürünler için öneriler sunar. Bu, müşteri deneyimini geliştirir.
  2. Sağlık Hizmetlerinde Yapay Zeka Çözümleri: Bir tıbbi araştırma kurumu, hastalıkları, semptomları, genleri, proteinleri, ilaçları, klinik deneyleri ve araştırma yayınlarını(PubMed'de indekslenenler gibi) birbirine bağlayan bir bilgi grafiği oluşturur. Bu, araştırmacıların ve klinisyenlerin "X proteinini hedef alan ve Y hastalığını tedavi etmek için kullanılan ilaçları bulun" gibi karmaşık ilişkileri sorgulamasına olanak tanıyarak ilaç keşfini hızlandırır ve birbirine bağlı semptom ve hasta verilerine dayalı teşhisler için karar desteği sağlayarak tıbbi görüntü analizini potansiyel olarak iyileştirir.
Tümünü okuyun