Um grafo de conhecimento é uma representação estruturada de informações na qual entidades do mundo real, como pessoas, lugares, organizações ou conceitos, são armazenadas como nós, e as relações entre elas são armazenadas como arestas rotuladas, formando uma rede que pode ser consultada, percorrida e sobre a qual se pode raciocinar. Os grafos de conhecimento situam-se na tradição mais ampla da representação da IA simbólica e tornaram-se infraestrutura central para busca, resposta a perguntas e fundamentação de sistemas modernos de IA generativa.
Estrutura
Um grafo de conhecimento tipicamente codifica fatos como triplas de sujeito, predicado e objeto, por exemplo "Anthropic, fundada em, 2021", frequentemente seguindo esquemas formais ou ontologias que definem tipos de entidades e relações permitidos. Essa estrutura permite que sistemas realizem consultas lógicas, como encontrar todas as organizações fundadas em um determinado ano, o que seria difícil de extrair de forma confiável apenas de texto não estruturado, e verificar a consistência interna em relação a regras definidas.
História
As raízes conceituais dos grafos de conhecimento estão nas redes semânticas desenvolvidas na pesquisa de IA simbólica a partir dos anos 1960, e em esforços posteriores como o Cyc, um projeto iniciado em 1984 para codificar manualmente milhões de fatos de senso comum, e a iniciativa da Web Semântica defendida por Tim Berners-Lee a partir do início dos anos 2000, que propôs formatos padronizados para dados web legíveis por máquina. O termo "grafo de conhecimento" em si entrou no uso mainstream após o Google lançar seu produto Knowledge Graph em 2012, baseando-se no banco de dados Freebase adquirido e em outras fontes para alimentar os painéis de informações que acompanham muitos resultados de busca na web.
Google Knowledge Graph e sucessores
Após a adoção do termo pelo Google, grandes empresas de tecnologia construíram seus próprios grafos de conhecimento em larga escala, incluindo o Satori da Microsoft e o grafo de entidades do Bing, o Entity Graph do Facebook e o grafo de produtos da Amazon, cada um adaptado para alimentar produtos de busca, recomendação ou assistentes virtuais. Alternativas abertas e mantidas pela comunidade incluem o Wikidata, lançado em 2012 como um companheiro estruturado da Wikipédia, que se tornou um recurso de grafo de conhecimento gratuito amplamente utilizado para pesquisa e aplicações.
Uso em sistemas de IA
Os grafos de conhecimento ganharam importância renovada na era dos sistemas de modelos de linguagem de grande escala, que são propensos a alucinação, gerando com confiança declarações plausíveis, mas falsas. Parear um modelo de linguagem com um grafo de conhecimento fornece um mecanismo para fundamentar saídas em fatos estruturados verificados, seja recuperando subgrafos relevantes para incluir em um prompt, uma variante da geração aumentada por recuperação, ou validando declarações geradas contra o grafo após o fato. Os grafos de conhecimento também são usados em sistemas de busca semântica para desambiguar consultas e entidades, complementando métodos de recuperação baseados em incorporações densas armazenados em um banco de dados vetorial, e em ambientes empresariais para dar a sistemas de IA acesso a conhecimento organizacional estruturado e proprietário que nunca fez parte dos dados de treinamento de um modelo.
Limitações
Construir e manter um grafo de conhecimento é trabalhoso: extrair fatos estruturados precisos de fontes não estruturadas requer curadoria humana substancial ou extração automatizada propensa a erros, esquemas podem se tornar desatualizados à medida que os domínios evoluem, e a cobertura é inevitavelmente incompleta fora de domínios bem documentados. Essas limitações motivaram abordagens híbridas que combinam a precisão e a auditabilidade dos grafos de conhecimento simbólicos com a flexibilidade e a ampla cobertura dos métodos neurais, ecoando uma tensão de longa data na IA entre representações explícitas e estruturadas descendentes dos sistemas especialistas e a aprendizagem estatística de padrões do processamento de linguagem natural e do aprendizado de máquina de forma mais ampla.