¿Qué es un grafo de conocimiento?

Un gráfico de conocimiento se compone de tres componentes principales: nodos, bordes y etiquetas. Cualquier objeto, lugar o persona puede ser un nodo. Un edge 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 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 sería examinar un recinto concreto, como el Madison Square Garden. Una ontología distingue los acontecimientos en ese lugar mediante una variable como el tiempo. Un equipo deportivo, como los New York Rangers, tiene un serial de partidos dentro de una temporada que se celebrarán en ese estadio. Todos son partidos de hockey, y todos se celebran en el mismo recinto. Sin embargo, cada acontecimiento se distingue por su fecha y hora.

El lenguaje de ontología sitio web (OWL) es un ejemplo de una ontología ampliamente adoptada, que cuenta con el apoyo del Consorcio World Wide Sitio web (W3C), una comunidad internacional que defiende los estándares abiertos para la longevidad de Internet. En última instancia, esta organización del conocimiento está respaldada por una 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 gráficos de conocimiento, que funcionan con machine learning, emplean procesamiento de lenguaje natural para construir una vista integral de nodos, bordes y etiquetas a través de un proceso llamado enriquecimiento semántico. Cuando se ingieren datos, este proceso permite que los gráficos de conocimiento identifiquen objetos individuales y comprendan las relaciones entre diferentes objetos. Luego, este conocimiento práctico se compara y se 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 completas a consultas determinadas. Si bien los productos orientados al consumidor demuestran su capacidad para ahorrar tiempo, los mismos sistemas también se pueden aplicar en un entorno empresarial, eliminando el trabajo manual de recopilación e integración de datos para respaldar la toma de decisiones comerciales.

Los esfuerzos de integración de datos en torno a los grafos de conocimiento también pueden apoyar la creación de nuevo conocimiento, estableciendo conexiones entre puntos de datos que pueden no haber realizado antes.

Hay un serial de gráficos de conocimiento populares, orientados al consumidor, que establecen las expectativas de los usuarios para los sistemas de búsqueda en todas las compañías. 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 los 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 de Google (SERP), que ofrecen información basada en lo que buscan las personas. Este gráfico de conocimiento se compone de más de 500 millones de objetos, que obtienen datos de Freebase, Wikipedia, el World Factbook de la CIA y más.

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

• Venta minorista: Los gráficos de conocimiento han sido para estrategias de venta ascendente y venta cruzada, recomendando productos basados en el comportamiento de compra individual y tendencias de compra populares en todos los grupos demográficos.
• Entretenimiento: Los grafos de conocimiento también se aprovechan para motores de recomendación basados en AI (IA) para plataformas de contenidos, como Netflix, SEO o redes sociales. Basar en los clics y otros comportamientos de participación en línea, estos proveedores recomiendan a los usuarios nuevos contenidos para leer o ver.
• Finanzas: Esta tecnología también se ha utilizado para conocer a su cliente (KYC) y para iniciativas contra el lavado de dinero dentro de la industria financiera. Ayudan en la prevención e investigación de delitos financieros, lo que permite a las instituciones bancarias comprender el flujo de dinero entre su clientela e identificar a los clientes que no cumplen.
• Atención médica: los gráficos de conocimiento también benefician a la industria de la atención médica 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.