Home topics Cos'è un grafo di conoscenza? Cos'è un grafo di conoscenza?
Scopri i grafi di conoscenza, reti di metadati semantiche che rappresentano una raccolta di entità correlate
sfondo nero e blu
Cos'è un grafo di conoscenza?

Un grafo di conoscenza, noto anche come 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. Ad esempio, un nodo potrebbe essere un cliente, come IBM, e un'agenzia, 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 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 knowledge base o un'ontologia. Sostiene invece che il termine sia stato reso popolare dal Knowledge Graph di Google nel 2012.

Ontologie

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, ossia con nodi e archi, e sono basati sulle triple dell'RFD (Resource Description Framework), 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 presso 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.

L'OWL (Web Ontology Language) è un esempio di un'ontologia ampiamente adottata e supportata dal W3C (World Wide Web Consortium), una community internazionale che sostiene gli standard aperti per favorire la longevità di Internet.  In definitiva, questa organizzazione di conoscenze è supportata da un'infrastruttura tecnologica come database, API e algoritmi di machine learning, che esiste per aiutare persone e servizi ad accedere alle informazioni ed elaborarle in modo più efficiente.

Come funziona un grafo di conoscenza

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 eterogenei. Gli schemi forniscono il framework per il grafo di conoscenza, le identità classificano in modo appropriato 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 dal machine learning, utilizzano NLP (Natural Language Processing) 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 i singoli oggetti e comprendere le relazioni tra i diversi oggetti. Questa conoscenza basilare viene quindi confrontata e integrata con altri set di dati, pertinenti e di natura simile. Quando un grafo di conoscenza è completo, consente di rispondere a domande ed effettuare ricerche nei sistemi per recuperare e riutilizzare risposte esaurienti ai quesiti posti. Mentre i prodotti rivolti ai consumatori ne dimostrano la 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 a supporto del processo decisionale.

Gli sforzi di integrazione dei 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.

Casi di utilizzo dei grafi di conoscenza

Ci sono numerosi grafi di conoscenza diffusi rivolti ai consumatori, che stanno definendo le aspettative dell'utente per i sistemi di ricerca nelle aziende. Alcuni di questi grafi di conoscenza includono:

  • DBPedia e Wikidata sono due diversi grafi di conoscenza per i dati su Wikipedia.org. DBPedia è costituita da dati estratti dalle infobox di Wikipedia, mentre Wikidata si concentra su oggetti secondari e terziari. Entrambe in genere pubblicano in un formato RDF (Resource Framework Definition).  
  • Il Knowledge Graph di Google è generato dalle pagine dei risultati del motore di ricerca (Search Englne Result Pages, SERP) di Google, servendo le informazioni sulla base di ciò che le persone cercano. Questo grafo di conoscenza è composto da oltre 500 milioni di oggetti ed estrae dati da Freebase, Wikipedia, il CIA World Factbook e altro ancora.

Tuttavia, i grafi di conoscenza hanno anche applicazioni in altri settori, come:

  • Vendita al dettaglio: i grafi di conoscenza sono stati utilizzati per strategie di upselling e cross-selling; consigliano prodotti in base al comportamento d'acquisto individuale e alle tendenze d'acquisto nei vari gruppi demografici.
  • Intrattenimento: i grafi di conoscenza sono anche impiegati nei motori di suggerimenti basati sull'AI delle piattaforme di contenuti, quali Netflix, per l'ottimizzazione dei motori di ricerca e nei social media. Basati sui clic e altri comportamenti di interazione online, questi fornitori suggeriscono agli utenti nuovi contenuti da leggere o da guardare.
  • Finanza: questa tecnologia è stata utilizzata anche per iniziative per conoscere i clienti (know-your-customer, KYC) e di antiriciclaggio nel settore della finanza. Supportano le attività di prevenzione e investigazione dei reati finanziari, consentendo agli istituti bancari di comprendere il flusso di denaro per tutta la clientela e di identificare i clienti non conformi.
  • Assistenza sanitaria: i grafi della conoscenza stanno anche apportando benefici al settore dell'assistenza sanitaria organizzando e categorizzando le relazioni nella ricerca medica. Queste informazioni aiutano i medici a convalidare le diagnosi e identificare i piani di trattamento in base alle esigenze individuali.  
Soluzioni correlate
IBM Cloud

IBM Cloud with Red Hat offre sicurezza ai vertici del mercato, scalabilità aziendale e innovazione aperta per realizzare il pieno potenziale del cloud e dell'AI.

Esplora IBM Cloud
Prodotti IBM Watson

Integra l'AI nelle tue applicazioni con l'AI di Watson per effettuare previsioni più accurate.

Esplora i prodotti IBM Watson
IBM Watson Studio

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 tuoi risultati.

Esplora IBM Watson Studio
Passa alla fase successiva

Puoi utilizzare IBM Cloud, i servizi Watson, Watson Studio e le tecnologie open-source per supportare le iniziative di grafi di conoscenza aziendali.Crea il tuo grafo di conoscenza dai documenti e trai insight dai contenuti di testo non strutturati, generati dai vari domini di business.

Crea un account IBM Cloud oggi stesso