Biểu Đồ Tri Thức (Knowledge Graph)

Đồ thị tri thức là một biểu diễn có cấu trúc của các thực thể trong thế giới thực và các mối quan hệ giữa chúng. Không giống như cơ sở dữ liệu tiêu chuẩn lưu trữ dữ liệu theo các hàng và cột cứng nhắc, đồ thị tri thức tổ chức thông tin dưới dạng một mạng lưới các nút (đại diện cho các đối tượng, con người hoặc khái niệm) và các cạnh (đại diện cho các kết nối hoặc tương tác giữa các nút đó). Cấu trúc này mô phỏng cách con người tổ chức thông tin, cho phép các hệ thống trí tuệ nhân tạo (AI) hiểu ngữ cảnh, suy luận các sự kiện mới và lập luận về dữ liệu theo cách có ý nghĩa và liên kết chặt chẽ hơn.

Hiểu về cấu trúc

Cốt lõi của một đồ thị tri thức là ba thành phần chính tạo thành "bộ ba" (Chủ ngữ-Vị ngữ-Đối tượng):

• Các nút (Thực thể): Đây là các điểm dữ liệu riêng biệt, chẳng hạn như "London," " Python ," hoặc " Ultralytics YOLO26." Trong các tác vụ thị giác máy tính, chúng có thể đại diện cho các đối tượng được phát hiện như "Ô tô" hoặc "Người đi bộ."
• Các cạnh (Mối quan hệ): Những đường thẳng riêng biệt này kết nối các nút và xác định mối quan hệ giữa chúng. Ví dụ, một cạnh có thể ghi nhãn mối quan hệ giữa "London" và "UK" là "là_thủ_đô_của_vương_quốc_nào".
• Thuộc tính (Tính chất): Thông tin chi tiết bổ sung mô tả một nút, chẳng hạn như dân số của một thành phố hoặc điểm tin cậy của việc phát hiện đối tượng.

Cấu trúc dạng mạng lưới này cho phép các hệ thống thực hiện tìm kiếm ngữ nghĩa , trong đó công cụ tìm kiếm hiểu được ý định của người dùng thay vì chỉ đơn thuần khớp từ khóa. Ví dụ, việc biết rằng "Jaguar" vừa là tên một loài động vật vừa là tên một thương hiệu xe hơi cho phép hệ thống phân biệt các kết quả dựa trên ngữ cảnh.

Tích hợp với học máy

Đồ thị tri thức ngày càng trở nên quan trọng để nâng cao các mô hình học máy (ML) . Mặc dù các mô hình học sâu rất giỏi trong việc nhận dạng mẫu thống kê, nhưng chúng thường thiếu cơ sở thực tế. Việc tích hợp đồ thị tri thức cho phép các mô hình truy cập vào "thế giới quan" đã được xác minh.

• Tạo sinh tăng cường bằng truy xuất (RAG) : Các mô hình tạo sinh đôi khi có thể tạo ra thông tin hợp lý nhưng không chính xác. Bằng cách dựa trên đồ thị tri thức để xây dựng các Mô hình Ngôn ngữ Lớn (LLM) , các tác nhân AI có thể truy vấn nguồn thông tin đã được xác minh trước khi tạo ra phản hồi. Điều này giúp giảm đáng kể hiện tượng ảo tưởng trong LLM và cải thiện độ chính xác thực tế cho các ứng dụng doanh nghiệp.
• Hệ thống đề xuất : Trong ứng dụng AI trong bán lẻ , đồ thị thể hiện mối quan hệ phức tạp giữa người dùng và sản phẩm. Nếu khách hàng mua máy ảnh, đồ thị sẽ hiểu được mối liên hệ chức năng với "Thẻ nhớ SD" hoặc "Chân máy", cho phép đưa ra các đề xuất thông minh hơn so với phương pháp lọc cộng tác đơn giản.

Ví dụ về mã: Trích xuất các thực thể cho một đồ thị

Các mô hình thị giác máy tính đóng vai trò là điểm khởi đầu tuyệt vời để xây dựng đồ thị tri thức bằng cách xác định các thực thể vật lý trong thế giới thực. Sau đây là các ví dụ sau: Python Đoạn mã này minh họa cách sử dụng mô hình Ultralytics YOLO26 để detect các đối tượng trong một hình ảnh. Các lớp được phát hiện này có thể hoạt động như các nút, sau đó có thể được liên kết trong cơ sở dữ liệu đồ thị (như Neo4j hoặc 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}")

Các Ứng dụng Thực tế

1. Khám phá thuốc trong lĩnh vực chăm sóc sức khỏe: Các nhà nghiên cứu về trí tuệ nhân tạo trong chăm sóc sức khỏe sử dụng đồ thị tri thức để mô hình hóa các tương tác sinh học. Bằng cách liên kết các thực thể như gen, protein và hợp chất hóa học từ các cơ sở dữ liệu như UniProt , các thuật toán có thể dự đoán các mục tiêu thuốc tiềm năng và tác dụng phụ, đẩy nhanh quá trình phát triển các phương pháp điều trị mới.
2. Mô hình song sinh kỹ thuật số chuỗi cung ứng: Các công ty logistics sử dụng đồ thị tri thức để tạo ra "mô hình song sinh kỹ thuật số" cho hoạt động của họ. Các nút đại diện cho nhà cung cấp, kho hàng và hàng tồn kho, trong khi các cạnh đại diện cho các tuyến vận chuyển và sự phụ thuộc lẫn nhau. Cấu trúc này tạo điều kiện thuận lợi cho phân tích dữ liệu lớn , cho phép các nhà quản lý dự đoán sự chậm trễ và tối ưu hóa các tuyến đường một cách linh hoạt.

Đồ thị tri thức so với cơ sở dữ liệu quan hệ

Điều quan trọng là phải phân biệt đồ thị tri thức với cơ sở dữ liệu quan hệ truyền thống (RDBMS) . Cơ sở dữ liệu quan hệ lưu trữ dữ liệu trong các bảng cố định được liên kết bằng khóa ngoại, điều này hiệu quả đối với dữ liệu có cấu trúc, dữ liệu giao dịch (như sổ cái ngân hàng). Tuy nhiên, việc truy vấn các mối quan hệ phức tạp (ví dụ: "Tìm bạn của bạn bè thích khoa học viễn tưởng") đòi hỏi các thao tác "kết hợp" tốn kém.

Ngược lại, đồ thị tri thức (thường được lưu trữ trong cơ sở dữ liệu đồ thị ) coi mối quan hệ như một yếu tố quan trọng hàng đầu. Việc duyệt qua các kết nối diễn ra tức thời, khiến đồ thị trở nên vượt trội hơn trong các tác vụ liên quan đến dữ liệu có tính liên kết cao, chẳng hạn như các hệ thống phát hiện gian lận hoặc phân tích mạng xã hội. Trong khi hệ quản trị cơ sở dữ liệu quan hệ (RDBMS) xuất sắc trong việc lưu trữ và truy xuất các bản ghi cụ thể, đồ thị tri thức lại vượt trội trong việc khám phá các mẫu và những hiểu biết tiềm ẩn bên trong chính các kết nối.

Triển vọng tương lai với Trí tuệ nhân tạo đa phương thức

Tương lai của đồ thị tri thức nằm ở học tập đa phương thức . Khi các mô hình như Ultralytics YOLO26 tiếp tục phát triển trong việc phát hiện đối tượng và ước lượng tư thế , chúng sẽ tự động cung cấp ngữ cảnh hình ảnh cho đồ thị. Điều này tạo ra các hệ thống không chỉ "đọc" văn bản mà còn "nhìn" thế giới, liên kết các khái niệm hình ảnh với các định nghĩa ngôn ngữ. Sử dụng Nền tảng Ultralytics , các nhà phát triển có thể huấn luyện các mô hình thị giác chuyên biệt này để nhận dạng các thực thể tùy chỉnh, từ đó xây dựng hiệu quả các giác quan cho thế hệ tiếp theo của các hệ thống AI nhận thức tri thức.