지식 그래프란 무엇인가요?

지식 그래프는 노드, 에지, 레이블이라는 세 가지 주요 구성 요소로 구성됩니다. 모든 개체, 장소 또는 사람이 노드가 될 수 있습니다. 에지는 노드 간의 관계를 정의합니다. 예를 들어, 노드는 IBM과 같은 클라이언트일 수도 있고 Ogilvy와 같은 에이전시일 수도 있습니다. 이 관계를 IBM과 Ogilvy 간의 고객 관계로 분류할 수 있습니다.

A는 주제, B는 술어, C는 목적어를 나타냅니다.

지식 그래프의 정의가 다양하고 지식 그래프가 지식 기반 또는 온톨로지와 다르지 않다는 연구 결과가 있다는 점도 주목할 가치가 있습니다. 또는 이 용어가 2012년 Google의 Knowledge Graph에 의해 대중화되었다고 주장하는 사람들도 있습니다.

온톨로지는 지식 그래프의 맥락에서도 자주 언급되지만, 온톨로지가 지식 그래프와 어떻게 다른지에 대해서는 여전히 논쟁이 있습니다. 궁극적으로 온톨로지는 그래프에서 엔티티의 공식적인 표현을 만드는 역할을 합니다. 일반적으로 분류법을 기반으로 하지만 여러 분류법을 포함할 수 있기 때문에 별도의 정의를 유지합니다. 지식 그래프와 온톨로지는 노드와 에지를 통해 비슷한 방식으로 표현되며, RDF(리소스 설명 프레임워크) 트리플을 기반으로 하므로 시각화에서 서로 닮아 있는 경향이 있습니다.

온톨로지의 예로 매디슨 스퀘어 가든과 같은 특정 장소를 살펴보는 경우를 들 수 있습니다. 온톨로지는 시간과 같은 변수를 사용하여 해당 위치의 이벤트를 구별합니다. 뉴욕 레인저스와 같은 스포츠 팀은 한 시즌 동안 해당 경기장에서 일련의 경기를 개최합니다. 모두 하키 경기이며, 모두 같은 장소에서 열립니다. 그러나 각 이벤트는 날짜와 시간으로 구별됩니다.

웹 온톨로지 언어(OWL)는 인터넷의 수명을 위한 개방형 표준을 옹호하는 국제 커뮤니티인 W3C(World Wide Web Consortium)에서 지원하는 널리 채택된 온톨로지의 한 예입니다. 궁극적으로 이러한 조직은 데이터베이스, API 및 머신 러닝 알고리즘과 같은 기술 인프라에 의해 지원되며, 이는 사람과 서비스가 정보에 보다 효율적으로 액세스하고 처리할 수 있도록 돕기 위해 존재합니다.

지식 그래프는 일반적으로 다양한 소스의 데이터 세트로 구성되며, 그 구조가 서로 다른 경우가 많습니다. 스키마, ID 및 컨텍스트는 함께 작동하여 다양한 데이터에 구조를 제공합니다. 스키마는 지식 그래프의 프레임워크를 제공하고, ID는 기본 노드를 적절하게 분류하며, 컨텍스트는 해당 지식이 존재하는 설정을 결정합니다. 이러한 구성 요소는 여러 의미를 가진 단어를 구분하는 데 도움이 됩니다. 이를 통해 Google의 검색 엔진 알고리즘과 같은 제품은 브랜드인 Apple과 과일인 사과의 차이점을 결정할 수 있습니다.

머신 러닝을 기반으로 하는 지식 그래프는 자연어 처리(NLP)를 활용하여 시맨틱 강화라는 프로세스를 통해 노드, 에지 및 레이블에 대한 포괄적인 보기를 구성합니다. 데이터가 수집될 때 이 프로세스를 통해 지식 그래프는 개별 개체를 식별하고 서로 다른 개체 간의 관계를 이해할 수 있습니다. 그런 다음 이 작업 지식을 본질적으로 관련성이 있고 유사한 다른 데이터 세트와 비교하고 통합합니다. 지식 그래프가 완성되면 질문 답변 및 검색 시스템에서 주어진 쿼리에 대한 포괄적인 답변을 검색하고 재사용할 수 있습니다. 소비자 대면 제품은 시간을 절약할 수 있는 능력을 보여주지만, 동일한 시스템을 비즈니스 환경에도 적용할 수 있으므로 수동 데이터 수집 및 통합 작업을 없애고 비즈니스 의사 결정을 지원할 수 있습니다.

지식 그래프를 중심으로 한 데이터 통합 노력은 새로운 지식 창출을 지원하여 이전에는 실현할 수 없었던 데이터 포인트 간의 연결을 구축할 수도 있습니다.

소비자를 대상으로 하는 인기 있는 지식 그래프가 많이 있으며, 이는 기업 전반의 검색 시스템에 대한 사용자 기대치를 설정하고 있습니다. 이러한 지식 그래프에는 다음이 포함됩니다.

• DBPedia와 Wikidata는 Wikipedia.org의 데이터에 대한 두 개의 서로 다른 지식 그래프입니다. DBPedia는 Wikipedia의 정보 상자의 데이터로 구성되는 반면 Wikidata는 2차 및 3차 개체에 중점을 둡니다. 둘 다 일반적으로 RDF 형식으로 게시됩니다.
• Google 지식그래프는 Google 검색 엔진 결과 페이지(SERP)를 통해 표시되며, 사람들이 검색한 내용을 기반으로 정보를 제공합니다. 이 지식 그래프는 5억 개가 넘는 객체로 구성되어 있으며, Freebase, Wikipedia, CIA World Factbook 등에서 데이터를 소싱합니다.

그러나 지식 그래프는 다음과 같은 다른 산업에도 적용될 수 있습니다.

• 소매: 지식 그래프는 상향 판매 및 교차 판매 전략에 사용되어 왔으며, 개별 구매 행동과 인구통계학적 그룹 전반의 인기 구매 트렌드를 기반으로 제품을 추천합니다.
• 엔터테인먼트: 지식 그래프는 Netflix, SEO 또는 소셜 미디어와 같은 콘텐츠 플랫폼의 인공 지능(AI) 기반 추천 엔진에도 활용됩니다. 이러한 제공업체는 클릭 및 기타 온라인 참여 행동을 기반으로 사용자가 읽거나 시청할 수 있는 새로운 콘텐츠를 추천합니다.
• 금융: 이 기술은 금융 업계에서 고객 파악(KYC) 및 자금 세탁 방지 이니셔티브에도 사용되었습니다. 금융 범죄 예방 및 조사를 지원하여 은행 기관이 고객의 자금 흐름을 파악하고 규정을 준수하지 않는 고객을 식별할 수 있도록 도와줍니다.
• 헬스케어: 지식 그래프는 의학 연구 내의 관계를 정리하고 분류함으로써 의료 산업에도 도움이 되고 있습니다. 이 정보는 진단을 검증하고 개인의 필요에 따른 치료 계획을 파악하여 의료진을 지원합니다.