Un gráfico de conocimientos, también conocido como red semántica, representa una red de entidades del mundo real, es decir, objetos, eventos, situaciones o conceptos, e ilustra la relación entre ellos. Esta información generalmente se almacena en una base de datos de gráficos y se visualiza como una estructura de gráfico, lo que genera el término "gráfico" de conocimientos.

Un gráfico de conocimientos se compone de tres componentes principales: nodos, bordes y etiquetas. Cualquier objeto, lugar o persona puede ser un nodo. Un borde define la relación entre los nodos. Por ejemplo, un nodo podría ser un cliente, como IBM, y una agencia, como Ogilvy. Un borde sería categorizar la relación como una relación con el 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 una investigación (PDF, 183 KB) (enlace externo a ibm.com), que sugiere que un gráfico de conocimientos no es diferente 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, nuevamente, todavía existe un debate sobre en qué se diferencian de los gráficos de conocimientos. En última instancia, las ontologías sirven para crear una representación formal de las entidades en el gráfico. Por lo general, se basan en una taxonomía, pero como pueden contener múltiples taxonomías, mantiene su propia definición separada. Dado que los gráficos de conocimientos y las ontologías se representan de manera similar, es decir, a través de nodos y bordes, y se basan en los triples del Marco de descripción de recursos (RDF), tienden a parecerse entre sí 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 que se realizan en esa ubicación usando una variable, como por ejemplo la hora. Un equipo deportivo, como los New York Rangers, tiene una serie de juegos dentro de una temporada que se llevarán a cabo en esa arena. Todos son juegos de hockey, y todos están ubicados en el mismo lugar. Sin embargo, cada evento se distingue por su fecha y hora.

El Web Ontology Language (OWL) es un ejemplo de una ontología ampliamente adoptada, que cuenta con el apoyo del 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 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 conocimientos se componen típicamente de conjuntos de datos de diversas fuentes, que con frecuencia difieren en estructura. Los esquemas, las identidades y el contexto trabajan juntos para proporcionar estructura a diversos datos. Los esquemas proporcionan el marco para el gráfico de conocimientos, las identidades clasifican los nodos subyacentes de manera adecuada y el contexto determina el entorno en el que existe ese conocimiento. Estos componentes ayudan a distinguir 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 "Apple", manzana en inglés.

Los gráficos de conocimientos, que se basan en machine learning, utilizan procesamiento del lenguaje natural (NLP) para crear una vista completa de nodos, bordes y etiquetas a través de un proceso llamado enriquecimiento semántico. Cuando se ingieren datos, este proceso permite que los gráficos de conocimientos identifiquen objetos individuales y comprendan las relaciones entre diferentes objetos. Luego, 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 conocimientos, 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 comercial, eliminando la recopilación manual de datos y el trabajo de integración para respaldar la toma de decisiones comerciales.

Los esfuerzos de integración de datos en torno a los gráficos de conocimientos también pueden respaldar la creación de nuevos conocimientos, estableciendo conexiones entre puntos de datos que pueden no haberse realizado antes.

Existe una serie de gráficos de conocimientos populares orientados al consumidor que establecen las expectativas de los usuarios para los sistemas de búsqueda en todas las empresas. Estos son algunos de estos gráficos de conocimientos:

• DBPedia y Wikidata son dos gráficos de conocimiento diferentes para los datos de Wikipedia.org. DBPedia se compone de datos 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 brindan información basada en lo que buscan las personas. Este gráfico de conocimiento está compuesto por más de 500 millones de objetos, que provienen de Freebase, Wikipedia, el CIA World Factbook y más.

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

• Venta minorista: los gráficos de conocimientos han sido utilizados para estrategias de venta ascendente y venta 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 conocimientos también se aprovechan para motores de recomendación basados en inteligencia artificial (IA) para plataformas de contenido, como Netflix, SEO o redes sociales. Según los clics y otros comportamientos de participación en línea, estos proveedores recomiendan contenido nuevo a los usuarios para leer o ver.
• Finanzas: esta tecnología también se ha utilizado para iniciativas "know-your-customer" (KYC, conozca a su cliente) y contra el blanqueo de capitales. Ayudan en la prevención e investigación de delitos financieros, lo que permite a las instituciones bancarias comprender el flujo de dinero entre sus clientes e identificar a los clientes que no cumplen las normas.
• Cuidado de la salud: los gráficos de conocimientos también están beneficiando a la industria de la salud al 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 individuales.