Un grafo de conocimiento es una representación estructurada de la información en la que entidades del mundo real, como personas, lugares, organizaciones o conceptos, se almacenan como nodos y las relaciones entre ellas se almacenan como aristas etiquetadas, formando una red que puede ser consultada, recorrida y razonada. Los grafos de conocimiento se sitúan dentro de la tradición más amplia de la representación IA simbólica y se han convertido en infraestructura central para la búsqueda, el respuesta a preguntas y el anclaje de los sistemas modernos de IA generativa.
Estructura
Un grafo de conocimiento típicamente codifica hechos como tripletas de sujeto, predicado y objeto, por ejemplo "Anthropic, fundada en, 2021", a menudo siguiendo esquemas formales u ontologías que definen los tipos de entidades y relaciones permitidos. Esta estructura permite a los sistemas realizar consultas lógicas, como encontrar todas las organizaciones fundadas en un año dado, que serían difíciles de extraer de manera fiable solo a partir de texto no estructurado, y verificar la consistencia interna según reglas definidas.
Historia
Las raíces conceptuales de los grafos de conocimiento se encuentran en las redes semánticas desarrolladas dentro de la investigación en IA simbólica desde la década de 1960, y en esfuerzos posteriores como Cyc, un proyecto iniciado en 1984 para codificar manualmente millones de hechos de sentido común, y la iniciativa de la Web Semántica impulsada por Tim Berners-Lee a partir de principios de la década de 2000, que propuso formatos estandarizados para datos web legibles por máquinas. El término "grafo de conocimiento" en sí entró en el uso generalizado después de que Google lanzara su producto Knowledge Graph en 2012, basándose en la base de datos Freebase adquirida y otras fuentes para alimentar los paneles de información que acompañan a muchos resultados de búsqueda web.
Google Knowledge Graph y sucesores
Tras la adopción del término por parte de Google, las principales empresas tecnológicas construyeron sus propios grafos de conocimiento a gran escala, incluidos Satori de Microsoft y el grafo de entidades de Bing, el Entity Graph de Facebook y el grafo de productos de Amazon, cada uno adaptado para impulsar productos de búsqueda, recomendación o asistentes virtuales. Las alternativas abiertas mantenidas por la comunidad incluyen Wikidata, lanzado en 2012 como un complemento estructurado de Wikipedia, que se ha convertido en un recurso de grafo de conocimiento gratuito ampliamente utilizado para la investigación y las aplicaciones.
Uso en sistemas de IA
Los grafos de conocimiento han adquirido una importancia renovada en la era de los sistemas de modelos de lenguaje grandes, que son propensos a la alucinación, generando con confianza afirmaciones plausibles pero falsas. Emparejar un modelo de lenguaje con un grafo de conocimiento proporciona un mecanismo para anclar las salidas en hechos estructurados verificados, ya sea recuperando subgrafos relevantes para incluirlos en un prompt, una variante de generación aumentada por recuperación, o validando las afirmaciones generadas contra el grafo después del hecho. Los grafos de conocimiento también se utilizan en sistemas de búsqueda semántica para desambiguar consultas y entidades, complementando los métodos de recuperación densa basados en incrustaciones almacenados en una base de datos vectorial, y en entornos empresariales para dar a los sistemas de IA acceso a conocimiento organizacional estructurado y propietario que nunca formó parte de los datos de entrenamiento de un modelo.
Limitaciones
Construir y mantener un grafo de conocimiento requiere mucho trabajo: extraer hechos estructurados precisos de fuentes no estructuradas requiere una curación humana sustancial o una extracción automatizada propensa a errores, los esquemas pueden quedar obsoletos a medida que evolucionan los dominios, y la cobertura es inevitablemente incompleta fuera de dominios bien documentados. Estas limitaciones han motivado enfoques híbridos que combinan la precisión y auditabilidad de los grafos de conocimiento simbólicos con la flexibilidad y la amplia cobertura de los métodos neuronales, haciendo eco de una tensión de larga data en la IA entre representaciones explícitas y estructuradas descendientes de los sistemas expertos y el aprendizaje estadístico de patrones del procesamiento del lenguaje natural y el aprendizaje automático en general.