Un grafo di conoscenza, alias rete semantica, rappresenta una rete di entità del mondo reale, cioè oggetti, eventi, situazioni o concetti, e illustra la relazione tra di loro. Queste informazioni sono solitamente memorizzate in un database a grafo e visualizzate come una struttura a grafo: da qui il termine "grafo" di conoscenza.
Un grafo di conoscenza è costituito da tre componenti principali: nodi, archi ed etichette. Qualsiasi oggetto, luogo o persona può essere un nodo. Un arco definisce la relazione tra i nodi. Per esempio, un nodo potrebbe essere un cliente, come IBM, e un servizio, come Ogilvy. Un arco sarebbe la categorizzazione della relazione come una relazione di clientela tra IBM e Ogilvy.
A rappresenta il soggetto, B rappresenta il predicato, C rappresenta l'oggetto.
Vale anche la pena di osservare che le definizioni dei grafi di conoscenza variano e una ricerca (PDF, 183 KB) (link esterno a ibm.com) suggerisce che un grafo di conoscenza non è diverso da una base di conoscenza o un'ontologia. Invece, sostiene che il termine è stato reso popolare dal Knowledge Graph di Google nel 2012.
Le ontologie sono frequentemente citate nel contesto dei grafi di conoscenza, ma anche in questo caso si discute ancora su come se ne differenzino. In definitiva, le ontologie servono a creare una rappresentazione formale delle entità nel grafo. Di solito sono basati su una tassonomia, ma dal momento che possono contenere più tassonomie il grafo mantiene una propria definizione distinta. Poiché i grafi di conoscenza e le ontologie sono rappresentati in modo simile - cioè con nodi e archi - e sono basati sulle triple del Resource Description Framework (RDF), tendono ad assomigliarsi nelle visualizzazioni.
Potremmo avere un esempio di ontologia se esaminiamo un luogo particolare, come il Madison Square Garden. Un'ontologia distingue tra gli eventi di quel luogo utilizzando una variabile come il tempo. Una squadra, come i New York Rangers, ha una serie di partite che in una stagione saranno ospitate in quell'arena. Sono tutte partite di hockey e si svolgono tutte nello stesso luogo. Tuttavia, ogni evento è contraddistinto dalla data e dall'ora in cui si svolge.
Il Web Ontology Language (OWL) è un esempio di un'ontologia ampiamente adottata e supportata dal World Wide Web Consortium (W3C), una comunità internazionale che sostiene gli standard aperti per la longevità dell'Internet. In definitiva, questa organizzazione di conoscenze è supportata da un'infrastruttura tecnologica come database, API e algoritmi di apprendimento automatico, che esiste per aiutare persone e servizi ad accedere alle informazioni ed elaborarle in modo più efficiente.
I grafi di conoscenza sono tipicamente costituiti da insiemi di dati provenienti da varie fonti, che spesso differiscono nella struttura. Schemi, identità e contesto lavorano insieme per fornire una struttura a dati diversificati. Gli schemi forniscono il framework per il grafo di conoscenza, le identità classificano opportunamente i nodi sottostanti e il contesto determina la situazione in cui tale conoscenza esiste. Queste componenti aiutano a distinguere le parole che hanno più significati. Ciò consente ai prodotti, come l'algoritmo del motore di ricerca di Google, di determinare la differenza tra Apple, il marchio, e apple, la mela.
I grafi di conoscenza, che sono alimentati dall'apprendimento automatico, utilizzano l'elaborazione del linguaggio naturale (NLP) per costruire una visualizzazione completa di nodi, archi ed etichette attraverso un processo detto arricchimento semantico. Quando i dati vengono elaborati, questo processo consente ai grafi di conoscenza di identificare gli oggetti individuali e comprendere le relazioni tra i diversi oggetti. Questa conoscenza di lavoro viene quindi confrontata e integrata con altri insiemi di dati, pertinenti e di natura simile. Quando un grafo di conoscenza è completo, permette di rispondere a domande e ricercare nei sistemi per recuperare e riutilizzare risposte esaurienti alle interrogazioni date. Mentre i prodotti rivolti ai consumatori dimostrano la sua capacità di risparmiare tempo, gli stessi sistemi possono anche essere applicati in un ambiente aziendale, eliminando la raccolta manuale dei dati e il lavoro di integrazione per supportare il processo decisionale.
Gli sforzi di integrazione dati attorno ai grafi di conoscenza possono anche supportare la creazione di nuove conoscenze, stabilendo connessioni tra punti dati che potrebbero non essere state individuate prima.
Ci sono numerosi grafi di conoscenza diffusi rivolti ai consumatori, che stanno fissando le aspettative dell'utente per ricercare nei sistemi di più imprese. Alcuni di questi grafi di conoscenza includono:
Tuttavia, i grafi di conoscenza hanno anche applicazioni in altri settori, come:
È possibile utilizzare IBM Cloud, i servizi Watson, Watson Studio e le tecnologie a codice sorgente aperto per supportare le iniziative delle imprese circa i grafi di conoscenza. Crea il tuo grafo di conoscenza dai documenti e trai conoscenze profonde dai contenuti di testo non strutturati generati dai vari domini delle aziende.
Per ulteriori informazioni, registrati per ottenere un identificativo IBM e crea il tuo account IBM Cloud.
IBM Cloud con Red Hat offre sicurezza ai vertici del mercato, scalabilità aziendale e innovazione aperta per realizzare il pieno potenziale del cloud e dell'AI.
Integra l'AI nelle tue applicazioni con Watson AI per eseguire previsioni più accurate.
Sviluppa, esegui e gestisci i modelli AI. Prepara i dati e crea modelli su qualsiasi cloud utilizzando la modellazione visiva o il codice open source. Prevedi e ottimizza i risultati.