Un knowledge graph è un modo di organizzare le informazioni come una rete di entità (le cose del mondo, come persone, luoghi, prodotti o concetti) e le relazioni che le collegano. Invece di memorizzare i fatti in tabelle o documenti isolati, un knowledge graph li collega tra loro così che un'affermazione come "Parigi è la capitale della Francia" sia rappresentata come una tripla strutturata: un soggetto (Parigi), un predicato (è la capitale di) e un oggetto (Francia). Questa struttura consente al software di attraversare le connessioni, seguire catene di significato e far emergere risposte che vanno oltre la semplice corrispondenza di parole chiave.
Come funziona un knowledge graph
Al suo nucleo, un knowledge graph è costruito da triple espresse in uno schema formale, comunemente il Resource Description Framework (RDF) o il modello a grafo di proprietà utilizzato da database come Neo4j. Ogni tripla asserisce un fatto: (Marie Curie) — scoprì — (Radio). I nodi trasportano proprietà e tipi (ad esempio, una "Persona"), mentre gli archi trasportano la natura della relazione. Uno schema o ontologia definisce quali tipi di entità e relazioni sono ammessi, il che consente al grafo di imporre coerenza e supportare ragionamenti di base.
La costruzione è tipicamente una pipeline di estrazione e integrazione. Documenti sorgente, database o pagine web vengono analizzati, le entità nominate vengono riconosciute, le relazioni candidate vengono estratte (spesso con modelli di machine learning) e i risultati vengono risolti rispetto a un grafo esistente per unire i duplicati. Linguaggi di interrogazione come SPARQL o Cypher permettono quindi alle applicazioni di porre domande a forma di grafo, come "quali scienziati hanno lavorato presso istituzioni finanziate da X e pubblicato su Y?" — qualcosa che richiederebbe costose join in un database relazionale.
Perché è importante
I knowledge graph forniscono ai sistemi di IA un substrato condiviso ed esplicito di fatti su cui attingere. I motori di ricerca li usano per alimentare i pannelli di risposta diretta; i sistemi di raccomandazione li usano per trovare elementi correlati tramite attributi condivisi; e i grandi modelli linguistici li usano come fonte di informazioni fondate e aggiornate attraverso tecniche come la generazione aumentata da recupero. Rendendo le relazioni di prima classe, un knowledge graph rende anche tracciabili provenienza e contesto, il che è fondamentale in ambiti come sanità, finanza e gestione della conoscenza aziendale, dove allucinazioni e dati obsoleti sono rischi reali.
Tipi principali
- Knowledge graph aperti / pubblici — grafi ampi e generici come Wikidata, DBpedia e il Knowledge Graph di Google, costruiti da fonti pubbliche e usati per arricchire ricerca e assistenti.
- Knowledge graph aziendali — grafi privati che unificano i dati interni di un'azienda (clienti, prodotti, contratti, asset) per analisi, conformità e applicazioni di IA.
- Knowledge graph di dominio — grafi focalizzati su un campo specifico, come quello biomedico (ad es. UMLS, Gene Ontology) o la scienza dei materiali, dove il controllo del vocabolario e la curatela contano più dell'ampiezza.
- Knowledge graph multimodali — estensioni che collegano nodi testuali a immagini, video o audio, consentendo recupero e ragionamento cross-modali.
Con tutte le sue varianti, la caratteristica distintiva di un knowledge graph è che le relazioni sono interrogabili tanto quanto le cose che collegano — trasformando fatti sparsi in una mappa navigabile e leggibile dalla macchina di un dominio.
