Wat is een Knowledge Graph en waarom is het belangrijk?

De meeste gegevens worden opgeslagen op een manier die feiten vastlegt, maar de verbanden daartussen verliest. Een tabel kan je vertellen wie de oprichter van een bedrijf is en wie een product heeft gemaakt, maar om te achterhalen hoe twee mensen verbonden zijn via de bedrijven die ze hebben opgericht, moet je handmatig rijen aan elkaar koppelen. Een knowledge graph slaat die verbindingen direct op als volwaardige informatie.

Door de wereld te modelleren als entiteiten die door relaties met elkaar verbonden zijn, maakt een knowledge graph de verbanden tussen feiten expliciet en gemakkelijk te volgen. Deze structuur vormt de basis voor veel systemen die mensen dagelijks gebruiken, van zoekmachines die entiteiten begrijpen tot aanbevelingssystemen, en het ondersteunt in toenemende mate op grafen gebaseerde benaderingen voor AI-retrieval.

Deze gids legt uit wat een knowledge graph is, hoe deze is gestructureerd, waarin deze verschilt van traditionele databases en waar deze wordt toegepast.

Wat is een knowledge graph?

Een knowledge graph is een weergave van kennis als een netwerk van entiteiten en de relaties daartussen. Elke entiteit, zoals een persoon, plaats, product of concept, is een knooppunt (node), en elke relatie, zoals 'opgericht door', 'gevestigd in' of 'werkt voor', is een verbinding (edge) tussen twee knooppunten. Het resultaat is een verbonden structuur die zowel feiten als de onderlinge samenhang vastlegt.

Zie het als een kaart van relaties in plaats van een lijst met feiten. Een lijst kan je losse feiten over mensen en bedrijven geven, maar een kaart toont de wegen daartussen, zodat je kunt traceren hoe de een met de ander verbonden is. Een knowledge graph is die kaart, waarbij entiteiten de plaatsen zijn en relaties de wegen.

Het kernidee is dat relaties expliciet worden opgeslagen. Omdat verbindingen volwaardige data zijn in plaats van iets dat achteraf moet worden gereconstrueerd, kun je ze direct doorlopen om vragen te beantwoorden over hoe entiteiten met elkaar in verband staan.

Hoe is een knowledge graph gestructureerd?

Knowledge graphs zijn opgebouwd uit eenvoudige, herhalende bouwstenen die samen een rijk netwerk vormen.

• Entiteiten. De zaken die worden beschreven, weergegeven als knooppunten.
• Relaties. De verbindingen tussen entiteiten, weergegeven als lijnen.
• Attributen. Eigenschappen die aan entiteiten zijn gekoppeld, zoals een naam of datum.
• Triples. Feiten uitgedrukt als onderwerp-relatie-object, de basiseenheid.
• Schema. Een optionele structuur die geldige entiteits- en relatietypen definieert.

Deze onderdelen vormen samen een graaf die organisch kan groeien naarmate er nieuwe entiteiten en relaties worden toegevoegd. Door feiten uit te drukken als triples – een onderwerp dat via een relatie aan een object is gekoppeld – is de graaf zowel leesbaar voor mensen als efficiënt te doorzoeken en te navigeren.

Knowledge graph versus traditionele database

Een relationele database slaat gegevens op in tabellen en koppelt deze wanneer je records met elkaar moet verbinden. Dit is efficiënt voor gestructureerde, tabelvormige zoekopdrachten, maar omslachtig wanneer relaties diep of variabel zijn. Een knowledge graph slaat relaties direct op als verbindingen (edges), waardoor het navigeren door connecties, zelfs over vele stappen, natuurlijk en snel verloopt.

Geen van beide is universeel beter. Relationele databases blinken uit in gestructureerde transacties en geaggregeerde zoekopdrachten, terwijl knowledge graphs uitblinken wanneer relaties centraal staan en zoekopdrachten ketens van verbindingen volgen. Veel systemen gebruiken beide, waarbij een graaf bovenop of naast traditionele opslag wordt geplaatst.

Waar worden knowledge graphs gebruikt?

• Zoekopdrachten. Het begrijpen van entiteiten en hun onderlinge relaties om resultaten te verbeteren.
• Aanbevelingen. Het verbinden van gebruikers, items en voorkeuren via relaties.
• GraphRAG. Taalmodellen voorzien van verbonden context voor betere antwoorden.
• Fraudedetectie. Het opsporen van verdachte patronen in netwerken van entiteiten.
• Data-integratie. Het verenigen van informatie uit vele bronnen tot één verbonden model.

Wat zijn de afwegingen?

• Bouwinspanning. Het extraheren van entiteiten en relaties kost werk.
• Onderhoud.De graaf moet actueel worden gehouden naarmate feiten veranderen.
• Modelleren. Het bepalen van het schema en de entiteitstypen vereist zorgvuldigheid.
• Niet altijd nodig. Eenvoudige tabelgegevens hebben mogelijk geen baat bij een graaf.

Wanneer moet je een knowledge graph gebruiken?

Gebruik er een wanneer relaties tussen entiteiten centraal staan in je probleem, wanneer je verbindingen over vele stappen moet doorlopen, of wanneer je informatie uit vele bronnen wilt integreren in één verbonden model. Dit zijn gevallen waarin expliciete relaties echt meerwaarde bieden.

Als je gegevens eenvoudig en tabelvormig zijn en je zoekopdrachten niet afhankelijk zijn van diepe relaties, is een traditionele database eenvoudiger en voldoende. De knowledge graph loont vooral wanneer de verbindingen tussen zaken net zoveel betekenis dragen als de zaken zelf.

Kernpunten over knowledge graphs

• Een knowledge graph modelleert entiteiten en hun relaties.
• Entiteiten zijn knooppunten en relaties zijn verbindingen.
• Feiten worden vaak uitgedrukt als subject-relatie-object-triples.
• Het maakt het doorlopen van verbindingen direct en efficiënt.
• Het ondersteunt zoekfuncties, aanbevelingen en GraphRAG.
• Het is het meest waardevol wanneer relaties centraal staan bij de vragen.

Conclusie

Een knowledge graph vertegenwoordigt informatie als een netwerk van entiteiten die door relaties zijn verbonden, waarbij de koppelingen tussen feiten expliciet worden opgeslagen in plaats van dat ze achteraf moeten worden gereconstrueerd. Deze structuur maakt het eenvoudig om verbindingen te doorlopen en relatiegerichte vragen te beantwoorden, wat de reden is dat het de basis vormt voor zoekfuncties, aanbevelingen en op grafen gebaseerde RAG. De keerzijde is de inspanning die nodig is om de graaf op te bouwen en te onderhouden.

TrueFoundry helpt teams bij het bouwen van AI-systemen op hun eigen infrastructuur, inclusief op grafen gebaseerde retrieval die gebruikmaakt van knowledge graphs voor rijkere context. Wanneer relaties net zo belangrijk zijn als feiten, is een knowledge graph een krachtige manier om weer te geven wat je weet.