Quando perguntamos a um assistente virtual sobre a previsão do tempo de amanhã ou usamos o Google para procurar as últimas notícias sobre mudanças climáticas, os gráficos de conhecimento servem como base para os sistemas de informação de ponta de hoje. Além disso, os gráficos de conhecimento têm o potencial de elucidar, avaliar e substanciar informações produzidas por modelos de aprendizagem profunda, como o ChatGPT e outros grandes modelos de linguagem. Os gráficos de conhecimento têm uma ampla gama de aplicações, incluindo melhorar os resultados da pesquisa, responder a perguntas, fornecer recomendações e desenvolver sistemas de IA explicáveis.
Um grafo de conhecimento é uma representação estruturada de fatos sobre o mundo, descrevendo entidades e suas inter-relações, organizadas em formato de grafo. Estes são alguns dos principais aspectos de um gráfico de conhecimento:
| Aspecto | Definição |
|---|---|
| Entities | Em um grafo de conhecimento, nós representam entidades (como pessoas, lugares, coisas, conceitos) e arestas representam relações ou conexões entre essas entidades. |
| Relações | Defina as conexões entre entidades. Por exemplo, em um gráfico de conhecimento sobre filmes, uma relação pode ser "acted_in" entre um ator e um filme. |
| Atributos | Descrever as características de entidades e relações. Por exemplo, uma entidade "filme" pode ter atributos como "diretor", "release_date" e "gênero". |
| RDF | O Resource Description Framework (RDF) é um modelo padrão para intercâmbio de dados na web. Ele estende a estrutura de ligação da web para usar URIs para nomear a relação entre as coisas, bem como as duas extremidades do link (isso é geralmente referido como um "triplo"). Esta estrutura de ligação forma um grafo direcionado, rotulado, onde as arestas representam a ligação nomeada entre dois recursos, representada pelos nós do grafo . |
| Triplas | A unidade básica de dados em um grafo de conhecimento é um triplo, que consiste em um sujeito, um predicado e um objeto. Por exemplo, "Paris (assunto) - é a capital de (predicado) - França (objeto)".
|
| Significado semântico | Gráficos de conhecimento frequentemente usam vocabulários padronizados ou ontologias para definir os tipos de entidades e relações, dando-lhes significado semântico. Isso torna os gráficos de conhecimento altamente adequados para aplicações de IA, como respostas a perguntas e sistemas de recomendação. |
| Fontes de dados | Os dados em um grafo de conhecimento podem vir de várias fontes, incluindo dados estruturados (como bancos de dados), dados semiestruturados (como XML ou JSON) e até mesmo dados não estruturados (como texto, usando técnicas como reconhecimento de entidades nomeadas e extração de relações). |
| Exemplos | Alguns exemplos proeminentes de gráficos de conhecimento incluem DBpedia, Wikidata, Freebase (agora parte do Google Knowledge Graph) e gráficos proprietários desenvolvidos por empresas como SAP, Amazon, Facebook e Microsoft. |
| Aplicações | Gráficos de conhecimento são usados em vários aplicativos, como mecanismos de busca, chatbots, assistentes digitais, sistemas de recomendação e tarefas de integração de dados. |
| Ontologias | Forneça uma estrutura formal para o gráfico de conhecimento, definindo os tipos de entidades, relações e atributos. Ontologias são necessárias para garantir a consistência e a interoperabilidade do seu modelo.  Em essência, um grafo de conhecimento fornece uma forma de representar, armazenar e consultar conhecimento estruturado, permitindo que as máquinas entendam e processem informações legíveis de forma mais eficaz. |
