La prima volta che ho sentito parlare di “grafi di conoscenza,” mi sono immaginato quei diagrammi di teorie del complotto con fili rossi che collegano foto e ritagli di giornale. Si è rivelato che non è una cattiva analogia — tranne per il fatto che i grafi di conoscenza sono organizzati, leggibili dalle macchine e realmente utili.
La mia introduzione ai grafi di conoscenza è stata accidentale. Stavo costruendo un sistema RAG per uno studio legale — sapete, quel tipo di sistema in cui si alimentano documenti a un’IA e questa risponde a domande al riguardo. Il sistema funzionava abbastanza bene per domande semplici. Ma quando un avvocato ha chiesto “Quali dei nostri clienti sono stati coinvolti in contenziosi con aziende che poi sono state acquisite dai nostri altri clienti?” il sistema RAG ha fatto fatica. Non è riuscito a collegare i punti attraverso diverse relazioni.
Entrano in gioco i grafi di conoscenza. Due settimane di lavoro dopo, la stessa domanda ha prodotto un elenco di sette situazioni rilevanti, ciascuna con la catena di relazioni che le collegava. Il partner senior l’ha definita “veramente utile,” il che per un avvocato con 30 anni di esperienza equivale praticamente a una standing ovation.
Perché sono importanti per l’IA
Gli LLM sono bravi con il linguaggio. Non sono bravi nel ragionamento strutturato attraverso le relazioni. Chiedi a ChatGPT un documento — fantastico. Chiedigli di tracciare la catena di proprietà tra cinque aziende attraverso tre fusioni in dieci anni — terribile.
I grafi di conoscenza colmano questa lacuna. Organizzano le informazioni come entità (persone, aziende, concetti) collegate da relazioni (“lavora per,” “acquisita da,” “situata a”). Questa struttura rende il ragionamento multi-salto naturale: inizia all’Entità A, segui le relazioni, arriva all’Entità D e spiega il percorso.
Il RAG diventa nettamente migliore. Il RAG standard recupera pezzi di testo che sono semanticamente simili alla tua domanda. Il RAG potenziato da un grafo di conoscenza recupera entità collegate e le loro connessioni. La differenza: il RAG standard trova paragrafi rilevanti. Il RAG potenziato da un grafo trova fatti rilevanti e le relazioni tra di essi.
Ho riscontrato un miglioramento del 40% nella qualità delle risposte per domande complesse e ricche di relazioni dopo aver aggiunto un grafo di conoscenza a un sistema RAG. Per domande fattuali semplici, il miglioramento era minimo. Il grafo di conoscenza dimostra la sua utilità quando le domande coinvolgono connessioni.
Le allucinazioni diminuiscono misurabilmente. Quando l’IA può verificare un’affermazione rispetto a un grafo di conoscenza di fatti verificati, è meno probabile che inventi cose. “Einstein ha lavorato a Princeton” — verifica il grafo, sì, questa relazione esiste. “Einstein ha lavorato al MIT” — verifica il grafo, non esiste tale relazione. Segnalalo.
Costruire un (è più facile di quanto pensi)
Neo4j è dove la maggior parte delle persone inizia, e per buone ragioni. È il PostgreSQL dei database a grafo — maturo, ben documentato e con la più grande comunità. Il linguaggio di query Cypher si legge quasi come inglese: MATCH (p:Person)-[:WORKS_AT]->(c:Company) WHERE c.name = "Acme" RETURN p.name
Ho utilizzato Neo4j per tre progetti di produzione. La curva di apprendimento è di circa una settimana per essere produttivi, un mese per sentirsi a proprio agio. Il livello gratuito (Neo4j Aura) è sufficiente per lo sviluppo e per piccoli progetti.
Per un prototipazione rapida, pgvector + PostgreSQL funziona in realtà sorprendentemente bene se stai già eseguendo Postgres. Non usufruisci dell’intera gamma delle capacità di attraversamento del grafo di Neo4j, ma per semplici query di entità-relazione con ricerca di similarità vettoriale, è sufficiente ed è un tools in meno da gestire.
Il collegamento alimentato dall’IA
Ecco la parte che mi avrebbe fatto risparmiare settimane se qualcuno me l’avesse detto prima: puoi usare LLM per costruire automaticamente il tuo grafo di conoscenza.
Alimenta i tuoi documenti a un LLM con una richiesta del tipo: “Estrai tutte le entità (persone, organizzazioni, tecnologie) e le relazioni da questo testo. Restituisci sotto forma di triple JSON: {soggetto, predicato, oggetto}.” L’LLM fa un lavoro sorprendentemente buono — forse 85% di precisione nell’estrazione di entità e 70% sulle relazioni. Pulisci il 15-30% rimanente manualmente, e hai un grafo di conoscenza costruito in poche ore invece di mesi.
Ho usato questo approccio per costruire un grafo di conoscenza di 50.000 entità da un corpus di 10.000 documenti. Ci sono voluti due giorni di tempo di calcolo e un giorno di pulizia manuale. L’alternativa — ingegneria della conoscenza manuale — avrebbe richiesto mesi a un team.
Dove vedo andare i grafi di conoscenza
La combinazione di grafi di conoscenza e LLM è ancora agli inizi. La maggior parte delle applicazioni IA oggi è pura RAG — testo in ingresso, testo in uscita. Ma i team con cui parlo che stanno costruendo un’IA aziendale seria stanno tutti aggiungendo grafi di conoscenza. Hanno realizzato che le relazioni strutturate sono il pezzo mancante che rende le applicazioni IA veramente affidabili per domini complessi.
Le aziende del settore sanitario stanno costruendo grafi di conoscenza che collegano geni, proteine, malattie, farmaci ed effetti collaterali. Le aziende finanziarie stanno mappando le relazioni tra aziende, strutture di proprietà e connessioni regolatorie. La tecnologia legale collega casi, leggi, giudici e precedenti.
Gli strumenti sono maturi. Neo4j è in circolazione da 15 anni. I modelli di integrazione IA sono collaudati. La mancanza rimane nella consapevolezza — la maggior parte degli sviluppatori che costruiscono applicazioni IA non ha semplicemente considerato di aggiungere un grafo di conoscenza.
Se la tua applicazione IA deve rispondere a domande sulle relazioni tra le cose, un grafo di conoscenza la migliorerà notevolmente. Se deve semplicemente rispondere a domande fattuali da documenti, un RAG standard è sufficiente. Ricorda di fare la differenza e scegli di conseguenza.
🕒 Published: