Qué es un gráfico de conocimiento?

Un gráfico de conocimiento está formado por tres componentes principales: nodos, aristas y etiquetas. Cualquier objeto, lugar o persona puede ser un nodo. Una arista define la relación entre los nodos. Por ejemplo, un nodo podría ser un cliente, como IBM, y una agencia, como Ogilvy. Una ventaja sería categorizar la relación como una relación de cliente entre IBM y Ogilvy.

A representa el sujeto, B representa el predicado, C representa el objeto

También vale la pena señalar que las definiciones de gráficos de conocimiento varían y hay investigaciones, que sugieren que un gráfico de conocimiento no es diferente de una base de conocimiento o una ontología. En cambio, argumenta que el término fue popularizado por el Knowledge Graph de Google en 2012.

Las ontologías también se mencionan con frecuencia en el contexto de los grafos de conocimiento, pero también en este caso sigue habiendo debate sobre en qué se diferencian de los grafos de conocimiento. En última instancia, las ontologías sirven para crear una representación formal de las entidades del gráfico. Por lo general, se basan en una taxonomía, pero dado que pueden contener varias taxonomías, mantiene su propia definición separada. Dado que los gráficos de conocimiento y las ontologías se representan de forma similar, es decir, mediante nodos y aristas, y se basan en las tripletas del Marco de Descripción de Recursos (RDF), tienden a parecerse en las visualizaciones.

Un ejemplo de ontología podría ser si examinamos un lugar en particular, como el Madison Square Garden. Una ontología distingue entre los eventos en esa ubicación utilizando una variable como el tiempo. Un equipo deportivo, como los New York Rangers, tiene una serie de juegos dentro de una temporada que se llevarán a cabo en ese estadio. Todos son partidos de hockey y todos se celebran en el mismo recinto. Sin embargo, cada evento se distingue por su fecha y hora.

El Web Ontology Language (OWL) es un ejemplo de ontología ampliamente adoptada, que cuenta con el apoyo del World Wide Web Consortium (W3C), una comunidad internacional que defiende los estándares abiertos para la longevidad de internet. En última instancia, esta organización del conocimiento está respaldada por infraestructura tecnológica como bases de datos, API y algoritmos de machine learning, que existen para ayudar a las personas y los servicios a acceder y procesar la información de manera más eficiente.

Los gráficos de conocimiento suelen estar formados por conjuntos de datos procedentes de diversas fuentes, que con frecuencia difieren en su estructura. Los esquemas, las identidades y el contexto trabajan juntos para proporcionar estructura a diversos datos. Los esquemas proporcionan el marco para el grafo de conocimiento, las identidades clasifican adecuadamente los nodos subyacentes y el contexto determina el escenario en el que existe ese conocimiento. Estos componentes ayudan a distinguir las palabras con múltiples significados. Esto permite que los productos, como el algoritmo del motor de búsqueda de Google, determinen la diferencia entre Apple, la marca, y la manzana, la fruta.

Los grafos de conocimiento, que se nutren del machine learning, utilizan el procesamiento del lenguaje natural (PLN) para construir una visión completa de nodos, aristas y etiquetas mediante un proceso denominado enriquecimiento semántico. Cuando se ingieren datos, este proceso permite a los gráficos de conocimiento identificar objetos individuales y comprender las relaciones entre diferentes objetos. A continuación, este conocimiento práctico se compara e integra con otros conjuntos de datos, que son relevantes y de naturaleza similar. Una vez que se completa un gráfico de conocimiento, permite que los sistemas de búsqueda y respuesta a preguntas recuperen y reutilicen respuestas integrales a consultas dadas. Aunque los productos dirigidos al consumidor demuestran su capacidad para ahorrar tiempo, los mismos sistemas pueden aplicarse también en un entorno empresarial, eliminando el trabajo manual de recopilación e integración de datos para apoyar la toma de decisiones empresariales.

Los esfuerzos de integración de datos en torno a los gráficos de conocimiento también pueden respaldar la creación de nuevos conocimientos, estableciendo conexiones entre puntos de datos de las que tal vez no se tenía constancia antes.

Hay una serie de gráficos de conocimiento populares orientados al consumidor, que están estableciendo las expectativas de los usuarios para los sistemas de búsqueda en todas las empresas. Algunos de estos gráficos de conocimiento incluyen:

• DBPedia y Wikidata son dos gráficos de conocimiento diferentes para los datos de Wikipedia.org. DBPedia se compone de datos procedentes de las infoboxes de Wikipedia, mientras que Wikidata se centra en objetos secundarios y terciarios. Ambos suelen publicar en formato RDF.
• Google Knowledge Graph se representa a través de las páginas de resultados del motor de búsqueda (SERP) de Google, que ofrecen información basada en lo que buscan las personas. Este grafo de conocimiento se compone de más de 500 millones de objetos, que provienen de datos de Freebase, Wikipedia, el CIA World Factbook y más.

Sin embargo, los gráficos de conocimiento también tienen aplicaciones en otros sectores, como:

• Venta minorista: los gráficos de conocimiento se han utilizado para estrategias de venta ascendente y cruzada, recomendando productos basados en el comportamiento de compra individual y las tendencias de compra populares en todos los grupos demográficos.
• Entretenimiento: los gráficos de conocimiento también se aprovechan para los motores de recomendación basados en inteligencia artificial (IA) para plataformas de contenido, como Netflix, SEO o redes sociales. Basándose en los clics y otros comportamientos de interacción en línea, estos proveedores recomiendan contenido nuevo para que los usuarios lean o vean.
• Finanzas: esta tecnología también se ha utilizado para iniciativas de conocimiento del cliente (KYC) y contra el blanqueo de dinero dentro del sector financiero. Ayudan en la prevención e investigación de delitos financieros, permitiendo a las instituciones bancarias comprender el flujo de dinero entre su clientela e identificar a los clientes incumplidores.
• Sanidad: los gráficos de conocimiento también benefician al sector sanitario al organizar y categorizar las relaciones dentro de la investigación médica. Esta información ayuda a los proveedores a validar los diagnósticos e identificar planes de tratamiento basados en las necesidades individuales.