Un gráfico de conocimientos, también denominado red semántica, representa una red de entidades reales —objetos, sucesos, situaciones o conceptos— e ilustra la relación entre ellos. Por lo general, esta información se almacena en una base de datos de gráficos y se visualiza como una estructura de gráficos, y de ahí procede el término "gráfico" de conocimientos.

Un gráfico de conocimientos consta de tres componentes principales: nodos, aristas y etiquetas. Cualquier objeto, ubicación 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 arista 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 hay diferentes definiciones de gráficos de conocimientos, y hay estudios (PDF, 183 KB) (enlace externo a ibm.com) que sugieren que un gráfico de conocimientos no difiere de una base de conocimiento o de una ontología. En cambio, argumentan que el término se popularizó con Google Knowledge Graph en 2012.

Ontologías

Las ontologías también se mencionan con frecuencia en el contexto de los gráficos de conocimientos, pero, de nuevo, aún existe cierto debate sobre sus diferencias con los gráficos de conocimientos. En última instancia, las ontologías sirven para crear una representación formal de las entidades del gráfico. Suelen estar basadas en una taxonomía, pero dado que pueden contener varias taxonomías, mantienen su propia definición por separado. Dado que los gráficos de conocimientos y las ontologías se representan de manera similar (es decir, a través de nodos y aristas) y se basan en las tripletas de Resource Description Framework (RDF), tienden a generar visualizaciones parecidas entre sí.

Un ejemplo de ontología podría ser examinar un emplazamiento en particular, como el Madison Square Garden. Una ontología distingue entre los eventos que se realizan en esa ubicación usando una variable, como por ejemplo la hora. En ese recinto se van a celebrar una serie de partidos de la temporada de un equipo deportivo, como los New York Rangers. Todos son partidos de hockey, y todos están ubicados en el mismo emplazamiento. Sin embargo, cada evento se distingue por su fecha y hora.

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

Normalmente, los gráficos de conocimientos se componen de conjuntos de datos de varios orígenes, cuya estructura suele diferir. Se combinan esquemas, identidades y contexto para proporcionar estructura a datos diversos. Los esquemas proporcionan el marco del gráfico de conocimientos, las identidades clasifican adecuadamente los nodos subyacentes y el contexto determina el escenario en el que existe ese conocimiento. Estos componentes sirven para distinguir palabras con varios significados. Esto permite que los productos, como el algoritmo del buscador de Google, determinen la diferencia entre Apple, la marca, y apple (manzana, en inglés), la fruta.

Los gráficos de conocimientos, que se basan en machine learning, utilizan procesamiento del lenguaje natural (NLP) para generar una vista completa de los nodos, las aristas y las etiquetas a través de un proceso llamado mejora semántica. Cuando se ingieren datos, este proceso permite que los gráficos de conocimientos identifiquen objetos individuales y comprendan las relaciones entre diferentes objetos. Este conocimiento de trabajo luego se compara e integra con otros conjuntos de datos, que son de carácter similar y relevante. Una vez que se completa un gráfico de conocimientos, permite que los sistemas de búsqueda y de preguntas y respuestas recuperen y reutilicen respuestas exhaustivas a las consultas indicadas. Si bien los productos orientados al consumidor gozan de una capacidad demostrada para ahorrar tiempo, los mismos sistemas también se pueden aplicar en un marco de negocio y así eliminar la recopilación de datos manual y la integración de trabajos para facilitar la toma de decisiones de negocio.

Las labores de integración de datos en torno a los gráficos de conocimientos también pueden facilitar la creación de nuevos conocimientos, y establecer conexiones entre puntos de datos que pueden haber pasado desapercibidas hasta entonces.

Hay una serie de gráficos de conocimientos populares orientados al consumidor que definen las expectativas del usuario en cuanto a los sistemas búsqueda en todas las empresas. Estos son algunos de estos gráficos de conocimientos:

• DBPedia y Wikidata son dos gráficos de conocimientos distintos para datos de Wikipedia.org. DBPedia se compone de datos de los cuadros de información 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, y proporciona información basada en las búsquedas que realizan los usuarios. Este gráfico de conocimientos se compone de más de 500 millones de objetos, con fuentes de datos como Freebase, Wikipedia o CIA World Factbook, entre otras.

Sin embargo, los gráficos de conocimientos también tienen aplicaciones en otras industrias, como:

• Distribución minorista: los gráficos de conocimientos se han utilizado para estrategias de venta cruzada y venta sugerida, para recomendar productos en función del comportamiento de compra individual y de las tendencias de compra populares entre grupos demográficos.
• Ocio: los gráficos de conocimientos también se utilizan para motores de recomendaciones basados en inteligencia artificial (IA) para plataformas de contenido, como Netflix, SEO o medios de comunicación sociales. En función de los clics y otros comportamientos de interacción en línea, estos proveedores recomiendan contenido nuevo a los usuarios para leer o ver.
• Finanzas: esta tecnología también se ha utilizado dentro del sector financiero para iniciativas "know-your-customer" (KYC, conozca a su cliente) y contra el blanqueo de capitales. Ayudan a investigar y prevenir los delitos financieros, y permiten a las instituciones bancarias conocer el flujo del dinero entre su clientela e identificar a los clientes que no cumplen las normas.
• Atención sanitaria: las ventajas de los gráficos de conocimientos también se aprovechan en el sector sanitario para organizar y categorizar las relaciones dentro de la investigación médica. Esta información ayuda a los proveedores a validar diagnósticos e identificar planes de tratamiento según las necesidades de cada persona.