مدل‌های هوش مصنوعی در تولید پاسخ‌های طبیعی و قانع‌کننده پیشرفت چشمگیری داشته‌اند؛ پیشرفتی که شاید فراتر از انتظارات اولیه بسیاری از کارشناسان باشد. با این حال، در پشت صحنه بسیاری از سیستم‌های هوش مصنوعی، فناوری کمتر مورد توجه اما بسیار مهمی وجود دارد که به این سیستم‌ها کمک می‌کند روابط میان اطلاعات را درک کنند. این فناوری گراف دانش (به زبان انگلیسی: Knowledge graph) نام دارد.

گراف‌های دانش راهی ساخت‌یافته برای نمایش اطلاعات فراهم می‌کنند؛ راهی که نه تنها حقایق منفرد را نشان می‌دهد، بلکه روابط میان آن‌ها را نیز آشکار می‌سازد. با افزایش وابستگی هوش مصنوعی به حجم عظیمی از داده‌ها، توانایی «اتصال نقاط» اهمیت بیشتری پیدا کرده است. زیرا اطلاعات بدون زمینه و درک روابط، ارزش محدودی دارد.

گراف دانش دقیقاً چیست؟

گراف دانش روشی برای سازمان‌دهی اطلاعات حول موجودیت‌ها و روابط میان آن‌هاست. به جای ذخیره اطلاعات به شکل قطعات جدا و ایزوله، گراف دانش چیزها را به یکدیگر متصل می‌کند. برای مثال، یک فرد ممکن است به یک شرکت مرتبط شود، آن شرکت به یک صنعت، و آن صنعت به مکان یا محصول خاصی پیوند بخورد. نتیجه، شبکه‌ای بزرگ و درهم‌تنیده از اطلاعات متصل است.

به‌عنوان نمونه، یک گراف دانش می‌تواند درک کند که OpenAI یک شرکت است، سم آلتمن با OpenAI مرتبط است، OpenAI مدل‌های هوش مصنوعی توسعه می‌دهد و این مدل‌ها در کاربردهایی مانند توسعه نرم‌افزار قابل استفاده‌اند. پس از ایجاد این روابط، نرم‌افزارها می‌توانند آن‌ها را پرس‌وجو کرده و تحلیل کنند.

این ساختار شبکه‌ای، تفاوت بنیادینی با پایگاه‌های داده سنتی دارد. در حالی که پایگاه‌های داده معمولاً اطلاعات را در جداول جداگانه نگه می‌دارند، گراف دانش بر روابط تمرکز دارد و همین ویژگی آن را برای کاربردهای هوش مصنوعی بسیار مناسب می‌سازد.

چرا شرکت‌های هوش مصنوعی به گراف‌های دانش اهمیت می‌دهند؟

مدل‌های زبانی بزرگ بر روی حجم عظیمی از اطلاعات آموزش دیده‌اند، اما این آموزش لزوماً به معنای درک کامل و دقیق روابط میان تمام قطعات اطلاعات نیست. گراف‌های دانش لایه‌ای ساخت‌یافته‌تر از اطلاعات در اختیار سیستم‌های هوش مصنوعی قرار می‌دهند.

این لایه ساخت‌یافته به‌ویژه زمانی مفید است که یک برنامه هوش مصنوعی نیاز به بازیابی اطلاعات خاص، درک روابط یا استدلال بر اساس چندین قطعه داده مرتبط داشته باشد. در چنین شرایطی، گراف دانش به سیستم امکان می‌دهد به‌جای جستجوی پراکنده، مسیر روابط را دنبال کند.

کاربرد در تحقیقات مالی

فرض کنید یک ابزار هوش مصنوعی برای تحقیقات مالی طراحی شده است. این ابزار می‌تواند با استفاده از گراف دانش، شرکت‌ها را به مدیران اجرایی، شرکت‌های تابعه، سرمایه‌گذاران، نتایج مالی و صنایع مرتبط متصل کند. در نتیجه، سیستم به‌جای جستجوی جداگانه برای هر قطعه اطلاعات، قادر است روابط را دنبال کرده و تحلیل عمیق‌تری ارائه دهد. این قابلیت در مواجهه با اطلاعات پیچیده یا تخصصی، ارزش عملی بالایی ایجاد می‌کند.

گراف دانش و چالش توهمات هوش مصنوعی

یکی از بزرگ‌ترین چالش‌های هوش مصنوعی مولد، پدیده «توهم» است؛ یعنی زمانی که مدل اطلاعاتی تولید می‌کند که ظاهری قانع‌کننده دارد اما نادرست است. گراف‌های دانش به‌طور جادویی این مشکل را برطرف نمی‌کنند، اما منبعی ساخت‌یافته‌تر در اختیار سیستم قرار می‌دهند تا از آن استخراج اطلاعات کند.

همین ویژگی، گراف‌های دانش را برای کسب‌وکارهایی که محصولات هوش مصنوعی با دقت بالا می‌سازند، جذاب می‌کند. استارتاپی که در حوزه سلامت، حقوق یا مالی فعالیت می‌کند، اغلب نیاز دارد سیستم خود را بر پایه اطلاعات مشخص و به‌دقت سازمان‌دهی‌شده بنا کند، نه اینکه صرفاً به یک مدل زبانی عمومی وابسته باشد. در این شرایط، گراف دانش نقش لایه حقیقت‌سنجی و سازمان‌دهی را ایفا می‌کند.

استارتاپ‌ها چگونه از گراف‌های دانش استفاده می‌کنند؟

این فناوری تنها در اختیار شرکت‌های بزرگ هوش مصنوعی نیست. استارتاپ‌ها نیز می‌توانند گراف‌های دانش را حول داده‌های اختصاصی خود بسازند. یک شرکت می‌تواند گرافی ایجاد کند که مشتریان، محصولات، اسناد، تراکنش‌ها و دانش داخلی را به هم متصل کند و سپس به سیستم هوش مصنوعی اجازه دهد این روابط را پرس‌وجو کند.

کاربردهای چنین رویکردی گسترده است: جستجوی سازمانی، موتورهای توصیه‌گر، تشخیص تقلب، پشتیبانی مشتری و ابزارهای تحقیقاتی. علاوه بر این، فرصت جالبی برای استارتاپ‌ها ایجاد می‌شود. به‌جای رقابت مستقیم برای ساخت مدل زبانی عمومی دیگر، آن‌ها می‌توانند محصولات تخصصی حول داده‌های منحصربه‌فرد خود و روابط موجود در آن‌ها بسازند. این مسیر، تمایز رقابتی معناداری ایجاد می‌کند.

آیا گراف‌های دانش جایگزین مدل‌های هوش مصنوعی خواهند شد؟

پاسخ کوتاه منفی است. مدل‌های هوش مصنوعی و گراف‌های دانش در بسیاری از جنبه‌ها مکمل یکدیگرند. مدل زبانی در درک و تولید زبان طبیعی مهارت دارد، در حالی که گراف دانش اطلاعات ساخت‌یافته و روابط صریح را فراهم می‌کند.

ترکیب این دو می‌تواند به یک برنامه هوش مصنوعی امکان دهد استدلال مکالمه‌ای را با منبعی منظم‌تر از دانش ترکیب کند. با حرکت هوش مصنوعی فراتر از تولید صرف متن و به سمت سیستم‌هایی که جستجو می‌کنند، استدلال می‌کنند، از ابزارها استفاده می‌کنند و اقدام انجام می‌دهند، درک روابط میان اطلاعات اهمیت بیشتری پیدا خواهد کرد.

گراف دانش در این مسیر، نه رقیب مدل‌های زبانی، بلکه شریک استراتژیک آن‌هاست؛ شریکی که زمینه، دقت و قابلیت اتصال را به قابلیت‌های زبانی اضافه می‌کند.