Construir grafos de conocimiento

Prefacio

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Las bases de datos de grafos y la ciencia de datos de grafos han alcanzado un nivel significativo de adopción. Se han utilizado ampliamente para una serie de casos de uso discretos, como la logística, las recomendaciones y la detección del fraude. Pero hay una tendencia emergente mayor a organizar los datos de una manera deliberada que permita una visión a escala a través de silos funcionales. La tecnología que sustenta esta tendencia se conoce como grafo de conocimiento.

Las fuerzas que hay detrás de esta tendencia son claras: las organizaciones ya no sufren escasez de datos. De hecho, en una era en la que el big data parece ser un problema resuelto (al menos desde el punto de vista del almacenamiento), muchas organizaciones están prácticamente ahogadas en datos. Abundan las anécdotas del sector sobre la ingestión de miles de tablas relacionales al día en un lago de datos, pero con la abundancia de datos llega el inesperado reto de qué hacer con ellos. Aquí es donde ayudan los gráficos de conocimiento.

Un grafo de conocimiento es una disposición intencionada de los datos, de modo que la información se contextualiza y se puede acceder a ella fácilmente. Los registros individuales se colocan en una red asociativa de relaciones que proporcionan una rica conectividad semántica y contexto. Esa red de relaciones -un grafo- es una forma increíblemente intuitiva de representar el conocimiento útil. Los datos que podrían haber existido originalmente para servir a un caso de uso de detección de fraudes pueden reutilizarse sin problemas dentro del grafo de conocimiento para proporcionar datos para recomendar productos financieros (o viceversa). Y a partir de ahí es sencillo conectar otros datos para apoyar otros casos de uso verticales o análisis horizontales.

Es importante destacar que, aunque el término grafo de conocimiento ha cobrado importancia en la industria hace relativamente poco tiempo, los sistemas de grafos de conocimiento existen desde hace tiempo. Este libro trata de destilar nuestra experiencia en la comprensión de los grafos de conocimiento implementados en sistemas reales por organizaciones de todo el mundo. También aborda la intersección contemporánea de los grafos de conocimiento y la inteligencia artificial (IA), donde los grafos de conocimiento proporcionan características de alta calidad para el aprendizaje automático, se enriquecen a sí mismos con la IA, e incluso pueden domar la naturaleza alucinatoria de los grandes modelos de lenguaje (LLM).

Aunque éste es nuestro libro más profundo y sin disculpas técnico sobre el tema, no es la primera vez que escribimos sobre grafos de conocimiento . De hecho, en el libro Knowledge Graphs: Data in Context for Responsive Businesses (O'Reilly), destacamos las ventajas empresariales de la adopción de grafos de conocimiento, dirigido a un público de CIO y CDO. Pero este libro profundiza mucho más técnicamente, y contiene suficientes detalles de implementación para una serie de herramientas, patrones y prácticas, de modo que puedas construir tus propios grafos de conocimiento con confianza. Esperamos que lo que aprendas aquí te impulse hacia tu primer proyecto exitoso de grafos de conocimiento, ¡y más allá!

A quién va dirigido este libro

Se trata de un libro técnico, dirigido a profesionales de la informática -típicamente ingenieros de software, arquitectos de sistemas y directores técnicos- que deseen comprender tanto el potencial de los grafos de conocimiento como la forma de implementarlos. Aunque no se requiere experiencia previa con grafos de conocimiento (o grafos en sentido general), los lectores sacarán el máximo partido del libro si se sienten modestamente cómodos con conceptos de bases de datos como las consultas y tienen cierta experiencia en programación.

Convenciones utilizadas en este libro

En este libro se utilizan las siguientes convenciones tipográficas:

Cursiva

Indica nuevos términos, URL, direcciones de correo electrónico, nombres de archivo y extensiones de archivo.

Constant width

Se utiliza en los listados de programas, así como dentro de los párrafos para referirse a elementos del programa como nombres de variables o funciones, bases de datos, tipos de datos, variables de entorno, sentencias y palabras clave.

Constant width bold

Muestra comandos u otros textos que deben ser tecleados literalmente por el usuario.

Constant width italic

Muestra el texto que debe sustituirse por valores proporcionados por el usuario o por valores determinados por el contexto.

Consejo

Este elemento significa un consejo o sugerencia.

Nota

Este elemento significa una nota general.

Advertencia

Este elemento indica una advertencia o precaución.

Aprendizaje en línea O'Reilly

Nota

Durante más de 40 años, O'Reilly Media ha proporcionado formación tecnológica y empresarial, conocimientos y perspectivas para ayudar a las empresas a alcanzar el éxito.

Nuestra red única de expertos e innovadores comparten sus conocimientos y experiencia a través de libros, artículos y nuestra plataforma de aprendizaje online. La plataforma de aprendizaje en línea de O'Reilly te ofrece acceso bajo demanda a cursos de formación en directo, rutas de aprendizaje en profundidad, entornos de codificación interactivos y una amplia colección de textos y vídeos de O'Reilly y de más de 200 editoriales. Para más información, visita https://oreilly.com.

Cómo contactar con nosotros

Dirige tus comentarios y preguntas sobre este libro a la editorial:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Norte
• Sebastopol, CA 95472
• 800-889-8969 (en Estados Unidos o Canadá)
• 707-829-7019 (internacional o local)
• 707-829-0104 (fax)
• [e-mail]
• https://www.oreilly.com/about/contact.html

Tenemos una página web para este libro, donde se enumeran erratas, ejemplos y cualquier información adicional. Puedes acceder a esta página en https://oreil.ly/building-knowledge-graphs.

Para obtener noticias e información sobre nuestros libros y cursos, visita https://oreilly.com.

Encuéntranos en LinkedIn: https://linkedin.com/company/oreilly-media

Síguenos en Twitter: https://twitter.com/oreillymedia

Míranos en YouTube: https://www.youtube.com/oreillymedia

Agradecimientos

Estamos agradecidos a todos los que nos ayudaron mientras escribíamos este libro: al personal de O'Reilly, especialmente a Corbin Collins, cuyos esfuerzos mantuvieron nuestra prosa debidamente americanizada, y a nuestros colegas de Neo4j, especialmente a Maya Natarajan y Deb Cameron, que trabajaron con nosotros en los primeros borradores.

Damos las gracias al Dr. Nicola Vitucci, que nos proporcionó profundos conocimientos técnicos y una paciente orientación sobre nuestra prosa.

También queremos dar las gracias a Nigel Small, que nos proporcionó información técnica detallada sobre la ciencia idiomática de datos gráficos en Python.

Por último, queremos dar las gracias a los revisores técnicos de O'Reilly, Max de Marzi y Janit Anjaria, por sus comentarios entusiastas y detallados.