Graf wiedzy (knowledge graph)

Graf wiedzy zapisuje informację w postaci trójek: encja — relacja — encja. „Firma X” — przejęła — „Firmę Y”. Klucz tkwi w tym, że relacja jest nazwana i przeszukiwalna, a nie ukryta w zdaniu. Pozwala to zadać pytanie, na które nie odpowie żaden pojedynczy dokument: „przez kogo firma X jest powiązana z branżą Z”.

Trzy warstwy decyzji przy budowie: ontologia (jakie typy encji i relacji w ogóle istnieją w Twojej domenie), pipeline konstrukcji (wydobywanie faktów z tekstu, scalanie duplikatów, walidacja, aktualizacja) i strategia odpytywania. Większość nieudanych wdrożeń bierze się z traktowania tego jako jednego problemu zamiast trzech — każdy ma inne metryki i innego właściciela.

Skąd się wziął: z prac nad semantycznym webem (standardy W3C: RDF, OWL, SPARQL). Do świadomości masowej trafił w 2012 roku, gdy Google ogłosiło swój Knowledge Graph — wówczas ponad 500 milionów obiektów i 3,5 miliarda faktów.

Po co dziś, w erze LLM: graf jest zewnętrzny wobec modelu, więc daje się audytować i aktualizować bez trenowania czegokolwiek. Każdy fakt może nieść pochodzenie (z jakiego dokumentu, z którego miejsca) i okno ważności (od kiedy do kiedy obowiązywał) — czego płaski RAG nie potrafi, a co jest głównym mechanizmem obrony przed podawaniem nieaktualnych informacji z pełną pewnością siebie. Zastosowanie grafu jako indeksu do wyszukiwania nazywa się GraphRAG.