La prima volta che ho sentito parlare di “knowledge graph,” ho immaginato quelle bacheche di teorie del complotto con stringhe rosse che collegano foto e ritagli di giornale. A quanto pare, non è una brutta analogia — tranne per il fatto che i knowledge graph sono organizzati, leggibili dalle macchine e davvero utili.
Il mio incontro con i knowledge graph è stato casuale. Stavo costruendo un sistema RAG per uno studio legale — sai, quello in cui fornisci documenti a un’IA e lei risponde a domande al riguardo. Il sistema funzionava bene per domande semplici. Ma quando un avvocato ha chiesto “Quali dei nostri clienti sono stati coinvolti in controversie con aziende successivamente acquisite dai nostri altri clienti?” il sistema RAG ha avuto difficoltà. Non riusciva a collegare i punti attraverso più relazioni.
È qui che entrano in gioco i knowledge graph. Due settimane di lavoro dopo, la stessa domanda ha restituito un elenco di sette situazioni rilevanti, ciascuna con la catena di relazioni che le collegava. Il socio senior l’ha definita “genuinamente utile,” il che, per un avvocato con 30 anni di esperienza, è fondamentalmente 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 — ottimo. Chiedi di tracciare la catena di proprietà tra cinque aziende attraverso tre fusioni in dieci anni — terribile.
I knowledge graph colmano questa lacuna. Organizzano le informazioni come entità (persone, aziende, concetti) collegate da relazioni (“lavora per,” “acquisita da,” “situata in”). Questa struttura rende il ragionamento multi-hop naturale: inizia dall’Entità A, segui le relazioni, arriva all’Entità D e spiega il percorso.
RAG migliora notevolmente. Il RAG standard recupera frammenti di testo semanticamente simili alla tua domanda. Il RAG potenziato dai knowledge graph recupera entità correlate e le loro connessioni. La differenza: il RAG standard trova paragrafi pertinenti. Il RAG potenziato dai graph trova fatti rilevanti e le relazioni tra di essi.
Ho osservato un miglioramento del 40% nella qualità delle risposte per domande complesse e ricche di relazioni dopo aver aggiunto un knowledge graph a un sistema RAG. Per domande fattuali semplici, il miglioramento è stato minimo. Il knowledge graph ripaga quando le domande coinvolgono connessioni.
Le allucinazioni diminuiscono in modo misurabile. Quando l’IA può verificare un’affermazione contro un knowledge graph di fatti verificati, è meno probabile che inventi. “Einstein ha lavorato a Princeton” — controlla il graph, sì, quella relazione esiste. “Einstein ha lavorato al MIT” — controlla il graph, non esiste tale relazione. Segnalalo.
Costruirne Uno (È Più Facile Di Quanto Pensi)
Neo4j è il punto di partenza per la maggior parte delle persone, e per una buona ragione. È il PostgreSQL dei database a grafo — maturo, ben documentato e con la comunità più grande. Il linguaggio di query Cypher si legge quasi come l’inglese: MATCH (p:Person)-[:WORKS_AT]->(c:Company) WHERE c.name = "Acme" RETURN p.name
Ho usato Neo4j per tre progetti di produzione. La curva di apprendimento è di circa una settimana per essere produttivo, un mese per sentirsi a proprio agio. Il piano gratuito (Neo4j Aura) è sufficiente per sviluppo e piccoli progetti.
Per prototipazione rapida, pgvector + PostgreSQL funziona sorprendentemente bene se stai già eseguendo Postgres. Non ottieni le complete capacità di attraversamento del grafo di Neo4j, ma per semplici query entità-relazione con ricerca di similarità vettoriale, è più che sufficiente e un database in meno da gestire.
Il Colpo di Genio Potenziato dall’IA
Ecco la parte che mi avrebbe fatto risparmiare settimane se qualcuno me lo avesse detto prima: puoi usare gli LLM per costruire automaticamente il tuo knowledge graph.
Fornisci i tuoi documenti a un LLM con un comando del tipo: “Estrai tutte le entità (persone, organizzazioni, tecnologie) e le relazioni da questo testo. Restituisci come triple JSON: {soggetto, predicato, oggetto}.” L’LLM fa un lavoro sorprendentemente buono — forse con un’accuratezza dell’85% nell’estrazione delle entità e del 70% nelle relazioni. Pulisci manualmente il restante 15-30% e hai un knowledge graph costruito in ore anziché mesi.
Ho usato questo approccio per costruire un knowledge graph di 50.000 entità da un corpus di 10.000 documenti. Ci sono voluti due giorni di tempo computazionale e un giorno di pulizia manuale. L’alternativa — ingegneria della conoscenza manuale — avrebbe richiesto mesi a un team.
Dove Penso Che Stiano Andando i Knowledge Graph
La combinazione di knowledge graph e LLM è ancora nelle fasi iniziali. La maggior parte delle applicazioni IA oggi sono pura RAG — testo in, testo fuori. Ma i team con cui parlo che stanno costruendo IA aziendale seria stanno tutti aggiungendo knowledge graph. Hanno capito che le relazioni strutturate sono il pezzo mancante che rende le applicazioni IA effettivamente affidabili per domini complessi.
Le aziende del settore sanitario stanno costruendo knowledge graph che collegano geni, proteine, malattie, farmaci ed effetti collaterali. Le aziende finanziarie stanno mappando relazioni tra aziende, strutture di proprietà e collegamenti normativi. La tecnologia legale sta collegando casi, leggi, giudici e precedenti.
Gli strumenti sono maturi. Neo4j è presente da 15 anni. I modelli di integrazione dell’IA sono provati. La lacuna è la consapevolezza — la maggior parte degli sviluppatori che costruiscono applicazioni IA semplicemente non ha considerato di aggiungere un knowledge graph.
Se la tua applicazione IA deve rispondere a domande sulle relazioni tra le cose, un knowledge graph la migliorerà notevolmente. Se deve solo rispondere a domande fattuali dai documenti, il RAG standard va bene. Conosci la differenza e scegli di conseguenza.
🕒 Published: