O que é um gráfico de conhecimento?

O gráfico de conhecimento é composto por três componentes principais: nós, bordas e rótulos. Qualquer objeto, lugar ou pessoa pode ser um nó. A borda define a relação entre os nós. Por exemplo, um nó pode ser um cliente, como a IBM, e uma agência como a Ogilvy. Uma borda seria categorizar o relacionamento como um relacionamento com o cliente entre a IBM e a Ogilvy.

A representa o assunto, B representa o predicado, C representa o objeto

Também vale a pena notar que as definições de gráficos de conhecimento variam e há pesquisas, o que sugere que o gráfico de conhecimento não é diferente da base de conhecimento ou da ontologia. Em vez disso, os estudos argumentam que o termo foi popularizado pelo Google Knowledge Graph em 2012.

As ontologias também são mencionadas com frequência no contexto dos gráficos de conhecimento, mas, novamente, ainda há um debate sobre como elas diferem dos gráficos de conhecimento. Por fim, as ontologias servem para criar uma representação formal das entidades no gráfico. Em geral, elas se baseiam em uma taxonomia, mas como podem conter várias taxonomias, elas mantêm sua própria definição separada. Como os gráficos de conhecimento e as ontologias são representados de maneira semelhante, ou seja, por meio de nós e bordas, e são baseados nas triplas do Resource Description Framework (RDF), eles tendem a se assemelhar nas visualizações.

Um exemplo de ontologia pode ser examinar um local específico, como o Madison Square Garden. Uma ontologia distingue os eventos desse local usando uma variável como o tempo. Uma equipe esportiva, como o New York Rangers, tem uma série de jogos em uma temporada que serão realizados nessa arena. São todos jogos de hóquei e estão todos localizados no mesmo local. No entanto, cada evento é diferenciado por sua data e hora.

A Web Ontology Language (OWL) é um exemplo de uma ontologia amplamente adotada, que tem o apoio do World Wide Web Consortium (W3C), uma comunidade internacional que defende padrões abertos para aumentar a longevidade da internet. Em última análise, essa organização do conhecimento é apoiada por infraestruturas tecnológicas, como bancos de dados, APIs e algoritmos de aprendizado de máquina, os quais existem para ajudar as pessoas e serviços a acessar e processar informações de forma mais eficiente.

Os gráficos de conhecimento geralmente são compostos de conjuntos de dados de várias fontes, que frequentemente diferem em estrutura. Esquemas, identidades e contexto trabalham juntos para fornecer estrutura a diversos dados. Os esquemas fornecem a estrutura para o gráfico de conhecimento, as identidades classificam os nós subjacentes adequadamente e o contexto determina a configuração na qual esse conhecimento existe. Esses componentes ajudam a distinguir palavras com vários significados. Isso permite que produtos, como o algoritmo do mecanismo de pesquisa do Google, determinem a diferença entre a Apple, a marca, e a maçã, a fruta.

Os gráficos de conhecimento, cuja base é o aprendizado de máquina, utilizam processamento de linguagem natural (PLN) para desenvolver uma visão abrangente de nós, bordas e rótulos por meio de um processo chamado enriquecimento semântico. Quando os dados são ingeridos, esse processo permite que os gráficos de conhecimento identifiquem objetos individuais e entendam as relações entre diferentes objetos. Esse conhecimento prático é então comparado e integrado com outros conjuntos de dados, que são relevantes e semelhantes por natureza. Uma vez concluído, o gráfico de conhecimento permite que os sistemas de resposta e pesquisa recuperem e reutilizem respostas completas para as consultas fornecidas. Além de os produtos voltados para o consumidor demonstrarem sua capacidade de economizar tempo, os mesmos sistemas também podem ser aplicados em um ambiente comercial, eliminando a coleta manual de dados e o trabalho de integração para apoiar a tomada de decisões empresariais.

Os esforços de integração de dados em torno de gráficos de conhecimento também podem apoiar a criação de novos conhecimentos, estabelecendo conexões entre pontos de dados que talvez não tenham sido percebidos antes.

Há vários gráficos de conhecimento populares voltados para o consumidor que estão definindo as expectativas dos usuários em relação aos sistemas de pesquisa nas empresas. Alguns desses gráficos de conhecimento incluem:

• DBPedia e Wikidata são dois gráficos de conhecimento diferentes para dados na Wikipedia.org. A DBPedia é composta de dados das caixas de informação da Wikipédia, enquanto a Wikidata se concentra em objetos secundários e terciários. Ambas normalmente publicam em um formato RDF.
• O Google Knowledge Graph é representado pelas páginas de resultados do mecanismo de pesquisa do Google (SERPs, na sigla em inglês), que oferecem informações com base no que as pessoas pesquisam. Este gráfico de conhecimento é composto por mais de 500 milhões de objetos, obtendo dados do Freebase, da Wikipedia, do CIA World Factbook, entre outros.

No entanto, os gráficos de conhecimento também têm aplicações em outros setores, como:

• Varejo: os gráficos de conhecimento vêm sendo usados em estratégias de venda adicional e venda cruzada, recomendando produtos com base no comportamento de compra individual e nas tendências de compra populares entre os diferentes grupos demográficos.
• Entretenimento: os gráficos de conhecimento também são usados em mecanismos de recomendação baseados em inteligência artificial (IA), em plataformas de conteúdo, como a Netflix, no SEO ou nas redes sociais. Com base em cliques e outros comportamentos de engajamento on-line, esses provedores recomendam novos conteúdos para os usuários lerem ou assistirem.
• Finanças: Essa tecnologia também tem sido usada em iniciativas de conhecimento do cliente (KYC) e de combate à lavagem de dinheiro no setor financeiro. Eles auxiliam na prevenção e investigação de crimes financeiros, permitindo que as instituições bancárias entendam o fluxo de dinheiro entre sua clientela e identifiquem clientes irregulares.
• Saúde: os gráficos de conhecimento também estão beneficiando o setor de saúde, organizando e categorizando as relações dentro da pesquisa médica. Essas informações auxiliam os provedores validando diagnósticos e identificando planos de tratamento com base nas necessidades individuais.