تخزّن الرسوم البيانية للمعرفة الكيانات والعلاقات كحقائق مترابطة يستطيع الذكاء الاصطناعي الاستعلام عنها. كيف تعمل، ودور GraphRAG، وأثرها على GEO.

في هذه الصفحة
ملخص
الرسوم البيانية للمعرفة شبكات من الكيانات، مثل الأشخاص والشركات والمنتجات، مترابطة بعلاقات مسمّاة. تستعلم الآلات عن هذه الروابط لاستنتاج الحقائق بدلاً من مطابقة نصوص غامضة. وهكذا تصبح الإجابات أدق وأسهل في التتبع، ويستطيع محركات البحث وأنظمة الذكاء الاصطناعي الاستشهاد بها بسهولة أكبر.
هل تريد التعمق أكثر؟ اسأل
الرسوم البيانية للمعرفة تخزّن المعلومات كشبكة بدلاً من الصفوف والأعمدة. كل عقدة تمثل كياناً، وكل حافة تمثل علاقة بين كيانين، ويمكن لكليهما أن يحملا خصائص وصفية. النتيجة خريطة من الحقائق يستطيع البرنامج تتبعها واستعلامها والتحقق منها، ولهذا تعتمد محركات البحث ومساعدات الذكاء الاصطناعي على هذه الفكرة.
الرسم البياني للمعرفة هو مجموعة بيانات مترابطة عن أشياء من العالم الحقيقي وطرق ارتباطها ببعضها. هذه الأشياء، وتسمى الكيانات، قد تكون أشخاصاً أو شركات أو منتجات أو أماكن أو مفاهيم. أشهر مثال هو Google Knowledge Graph، لكن النموذج عام ويعمل أيضاً مع بيانات الشركات وقواعد البيانات البحثية وأنظمة البحث الداخلي.
قدّمت Google رسمها البياني في مايو 2012 كنموذج يفهم الأشياء وعلاقاتها، لا مجرد سلاسل نصية. وذكرت Google في مقال الإطلاق أن الرسم البياني يحتوي على أكثر من 500 مليون كائن وأكثر من 3.5 مليار حقيقة عنها وعن العلاقات بينها.
الوحدة الأساسية هي الثلاثية، وهي عبارة تتكون من موضوع وخاصية وقيمة. يوضح دليل W3C RDF 1.1 Primer أن عبارات RDF تتكون من ثلاثة عناصر تسمى الثلاثيات، وأن الموضوعات والقيم تصبح عقداً في الرسم البياني، بينما تمثل الخصائص الحواف بينها.
تُقرأ الثلاثية كجملة قصيرة. تُظهر لقطة الشاشة أدناه صفحة العنصر العامة في Wikidata للكاتب دوغلاس آدامز، حيث تربط العبارة "نسخة من: إنسان" الكيان بفئة أوسع. ويمكن ربط الكيان نفسه بكيانات كثيرة أخرى، وكل رابط يضيف حافة جديدة إلى الرسم البياني.

الأنطولوجيا هي المخطط الهندسي للرسم البياني. فهي تحدد أنواع الكيانات الموجودة، والعلاقات المسموح بها، والقواعد التي تنطبق، مثلاً أن كل طلب يجب أن يحتوي على منتج واحد على الأقل. بذلك يبقى الرسم البياني متسقاً، فيستطيع البرنامج الاستدلال عليه بدلاً من التخمين.
تعيش الرسوم البيانية للمعرفة عادةً في قواعد بيانات الرسوم البيانية أو مخازن الثلاثيات، مثل Neo4j وAmazon Neptune وGraphDB. هذه الأنظمة مصممة للانتقال من عقدة إلى جيرانها، ثم إلى جيران جيرانها، وهو أمر يصعب التعبير عنه في قاعدة بيانات علائقية عندما تكون سلسلة العلاقات طويلة.
هذا التنقل عبر عدة قفزات هو القوة الرئيسية للرسم البياني. فسؤال مثل "أي الموردين لمنتج ما يخدمون منافساً أيضاً؟" يحتاج إلى عدة عمليات ربط في نموذج الجداول، بينما يتتبع الرسم البياني ببساطة الحواف بين العقد المعنية.
تخزّن قاعدة البيانات العادية البيانات في جداول، وتعامل العلاقات كعمليات ربط تُحسب عند تنفيذ الاستعلام. أما الرسم البياني للمعرفة فيخزّن العلاقات كبيانات قائمة بذاتها، فيمكن اجتيازها وإضافتها وشرحها مباشرة. تستخدم محركات البحث وأنظمة الذكاء الاصطناعي ذلك للإجابة عن أسئلة تعتمد على كيفية ترابط عدة حقائق.
يستطيع المطورون أيضاً الاستعلام عن رسم Google البياني. تتيح واجهة Knowledge Graph Search API العثور على كيانات في Google Knowledge Graph، وتستخدم الأنواع القياسية من schema.org وتعيد البيانات بصيغة JSON-LD. كما تحذّر الوثائق من أن Google تنقل هذه الواجهة إلى Cloud Enterprise Knowledge Graph، لذا تحقّقوا من الخيارات الحالية قبل البناء عليها. تُظهر لقطة الشاشة أدناه أعلى صفحة الوثائق هذه.

عادةً ما يجد التوليد المعزّز بالاسترجاع مقاطع نصية بصياغة مشابهة، ويترك للنموذج تجميعها. أما GraphRAG فيضيف إلى هذه العملية رسماً بيانياً للمعرفة. يسترجع النظام مجموعة مترابطة من الكيانات والعلاقات ذات الصلة، ثم يمرر هذه البنية إلى النموذج كسياق.
الفوائد عملية. فالرسم البياني الذي يسجل أن منتجاً يحتوي على القطعة A والقطعة B يتيح للنموذج أن يذكر هاتين القطعتين بالضبط. وكثير من الأنظمة تجمع الرسوم البيانية مع البحث المتجهي: المتجهات تعثر على نصوص متشابهة، والرسم البياني يتحقق من كيفية ترابط الحقائق.
تقلل الرسوم البيانية للمعرفة من هلوسة الذكاء الاصطناعي بحصر الإجابة في العلاقات الموجودة فعلاً في البيانات. وعندما لا توجد في الرسم البياني صلة بين حقيقتين، يصبح لدى النموذج مساحة أقل لاختراع صلة. ويكون الأثر أقوى في الأسئلة الدقيقة، حيث تكون الصلة الخاطئة مكلفة.
كما تجعل البنية الإجابات قابلة للتتبع. فيمكن ربط كل ادعاء بالعقد والحواف التي تدعمه، فيستطيع الفريق مراجعة سبب قول النظام لما قاله. أما البحث القائم على النص وحده فيجعل هذا المسار أصعب بكثير في التحقق. ومع ذلك لا يزيل الرسم البياني الأخطاء وحده: فالثلاثية الخاطئة تنتج إجابة خاطئة بالقدر نفسه من الثقة الذي تنتج به الإجابة الصحيحة.
تكافئ الرسوم البيانية للمعرفة المحتوى الذي تستطيع الآلات تحليله إلى كيانات وعلاقات. فعندما تسمّي صفحاتكم كياناتها بوضوح، وتستخدم بيانات schema المنظمة، وتحافظ على اتساق الحقائق، يستطيع محركات البحث وأنظمة الذكاء الاصطناعي ربط علامتكم التجارية بالرسم البياني الذي تعتمد عليه. وهذه هي الفكرة الأساسية لـتحسين الكيانات.
عملياً، صفوا مؤسستكم ومنتجاتكم وكتّابكم بالحقائق نفسها في كل مكان تظهر فيه، ثم تحققوا من النتيجة باستخدام أداة التحقق المجانية من البيانات المنظمة من Sorank. ولفهم تأثير البيانات المنظمة على إجابات الذكاء الاصطناعي، اقرأوا ما الذي يساعد البيانات المنظمة فعلاً في البحث بالذكاء الاصطناعي.
تحوّل الرسوم البيانية للمعرفة الحقائق المتفرقة إلى بنية مترابطة تستطيع الآلات الاستعلام عنها والاستدلال عليها، ولهذا تقف خلف كثير من إجابات الذكاء الاصطناعي الدقيقة. فبترميز الكيانات والعلاقات بشكل صريح، تقلل من الهلوسة، وتتيح الاستدلال متعدد الخطوات، وتجعل النتائج أسهل في التتبع. حافظوا على اتساق حقائقكم ووضوح تسميتها، لكي تتناسب علامتكم التجارية مع الرسوم البيانية التي تستخدمها محركات البحث ومساعدو الذكاء الاصطناعي بالفعل.
المصادر
تخزّن قاعدة البيانات العادية البيانات في جداول وتحسب العلاقات عند تنفيذ الاستعلام. أما الرسم البياني للمعرفة فيخزّن العلاقات كبيانات، فيمكن اجتيازها وإضافتها وشرحها مباشرة.
يعثر RAG العادي على مقاطع نصية بصياغة مشابهة. ويضيف GraphRAG رسماً بيانياً للمعرفة، فيسترجع النظام مجموعة مترابطة من الكيانات والعلاقات بدلاً من مقاطع معزولة، وتستند الإجابة إلى حقائق منظمة.
بشكل غير مباشر، نعم. فالصفحات ذات الكيانات الواضحة والحقائق المتسقة وبيانات schema الصحيحة يسهل ربطها بالرسوم البيانية التي تستخدمها محركات البحث وأنظمة الذكاء الاصطناعي. والمعلومات الواضحة والموثوقة أكثر احتمالاً للظهور والاستشهاد.
