Are graphs really the new star schema? What do graphs look like to non-insiders, and what is it that attracts them to the graph community, methodologies, applications, and innovation? En el proceso de conexión con Como oradores, nos encontramos involucrados en conversaciones que reflexionan y elaboran sobre los orígenes y la evolución de la comunidad y la tecnología en la que se converge: Gráficos del Conocimiento, Análisis de Gráficos, IA, Ciencia de Datos, Bases de Datos y Tecnología Semántica. Conexión de datos Londres 2025 La forma en que lo describimos fue: un núcleo de adoptantes tempranos que han estado por ahí durante más de una década hasta ahora, además de un segmento creciente de novatos que se encontraron con gráficos impulsados por GenAI o por la comprensión de que el gráfico es la mejor manera de modelar la conectividad. Hoy en día, hay más puntos de datos para conectarse que nunca.También hay más conexiones hechas más rápido que nunca.Y la gente está realizando y aprovechando la importancia de estas conexiones más que nunca. Todo está conectado. Los gráficos existen para las conexiones de modelos. Por eso los gráficos están en todas partes. Es por eso que hay una explosión en la adopción, el liderazgo del pensamiento, las herramientas, las características, las aplicaciones y las metodologías alrededor de los gráficos. , y el enfoque de la curación dirigida no ha cambiado, es el tema más largo hasta la fecha. Sólo han pasado tres meses desde la anterior Este tema abarca a todo el mundo, desde novatos a expertos, y desde pensadores estratégicos y modelistas a ingenieros y científicos.Desde el soporte de gráficos en Microsoft Azure, GitLab, Netflix, S&P y SAP, hasta la semántica y los agentes en Databricks y Snowflake, las ontologías, los gráficos de conocimiento y la IA, los transformadores de gráficos y los avances científicos. To meet the leaders and innovators shaping Knowledge Graph, Graph Databases, Semantic Technology and Graph Analytics / Data Science / AI, come to . Connected Data London 2025 on November 20 – 21 Datos conectados Londres 2025 del 20 al 21 de noviembre Tabla de contenidos Graph is the new star schema Graphs power Systems of Intelligence A unified semantic knowledge graph for Enterprise AGI Defining and building ontologies Getting started with knowledge graphs Adopting, building and populating knowledge graphs Knowledge graphs and AI: a two-way street The state of GraphRAG Multimodal graphs Graph databases grow and evolve LPG vs. RDF, OWL vs. SHACL Graph AI: GNNs, graph transformers and foundational models Graph science: Strong perfect graphs, the new Dijkstra’s algorithm and convergent neural networks Este número del Año del Gráfico es traído a usted por G.V(), metafacts, Linkurious, y cognee. Si desea ser presentado en una próxima edición y apoyar este trabajo, ¡atácate! This issue of the Year of the Graph is brought to you by , , , and . G.V() metaphacts Linkurious cognee El G.V() Metáforas Linkón Cognición Si desea ser presentado en una próxima edición y apoyar este trabajo, ¡atácate! Announcing the State of the Graph project Anunciando el estado del proyecto Graph Un repositorio completo y actualizado, visualización y análisis de todas las ofertas en el espacio de la tecnología gráfica. Vuelve pronto.Signup para las actualizaciones aquí. Graph is the new star schema El gráfico es el nuevo esquema de estrellas Antes de la IA, Malkova no sentía que los metadatos gráficos fueran una inversión positiva de ROI para su equipo, aunque nunca miraron demasiado de cerca. ¿Es el gráfico realmente el nuevo esquema de estrellas? Ahora, sin embargo, Malkova se da cuenta de que los agentes no pueden ser autónomos a menos que los datos estén estructurados como un gráfico. Cuando la pone, Malkova se pregunta cómo sería si los insiders del gráfico y los novatos todos reimaginaran sus trabajos aprendiendo unos de otros. Estamos viviendo la tercera ola de gráficos, ahora impulsado por la necesidad de alimentar los datos a los agentes de IA ¿Qué tienen en común los gráficos y el esquema de estrellas del almacén de datos? Son omnipresentes, y ayudan a desbloquear el valor para las organizaciones. A diferencia del esquema de estrellas, sin embargo, los modelos de datos de gráficos son flexibles y pueden modelar la semántica de forma inequívoca. como Sin procesos bien definidos y arquitecturas resilientes, la aceleración que GenAI trae corre el riesgo de amplificar el caos en lugar de agilizar los flujos de trabajo. Charles Betz, VP, Analista Principal de Forrester La clave está en la construcción de un modelo operativo de TI robusto que integra GenAI en el tejido de los sistemas de gestión. las bases de datos de gráficos y la generación aumentada por la recuperación son tecnologías fundamentales para esta transformación. Los gráficos representan las entidades y las relaciones de manera flexible, permitiendo a GenAI razonar a través de paisajes de datos complejos.Al invertir en infraestructuras de conocimiento basadas en gráficos, las organizaciones pueden desbloquear el pleno potencial de la IA al mismo tiempo que garantizan la transparencia, la trazabilidad y el alineamiento. Matan-Paul Shetrit, Director de Gestión de Productos de Writer, va un paso más allá. En la empresa tradicional, la coordinación era manual; en la empresa híbrida, la coordinación se hace programable. Imaginar gráficos como la capa de orquestación para las empresas del futuro El gráfico de orquestación es: la red dinámica, a menudo invisible de personas, agentes y sistemas conectados por la lógica de delegación, los circuitos de ejecución y los caminos de escalada. G.V() es un cliente de base de datos de gráficos e IDE que te empodera a través de cada tarea: No matter what graph technology you work with, G.V() makes you more productive Escribir, ejecutar y realizar consultas de perfil Revisa tu modelo de datos Explora tus datos con la visualización de gráficos de alto rendimiento Agregar o editar datos en el vuelo Como el IDE de base de datos de gráficos más ampliamente compatible, G.V() admite más de 20 herramientas, incluyendo Amazon Neptune, Google Spanner Graph, Neo4j y JanusGraph – y ahora con soporte GQL para Ultipa Graph. Pruebe por sí mismo y comience a consultar su base de datos en menos de 5 minutos: gdotv.com Graphs power Systems of Intelligence Graphs Power Sistemas de Inteligencia Los gráficos están evolucionando junto a GenAI, influenciando así como siendo influenciados por él. Las capacidades de IA generativas están avanzando a un ritmo rápido y las herramientas que estarán disponibles en los próximos 2-5 años serán transformadoras. Según el Gartner 2025 AI Hype Cycle La inversión de Al sigue siendo fuerte, pero el enfoque se está desplazando del hype de GenAl a las innovaciones fundamentales como los datos de Al-ready, los agentes de Al, la ingeniería de Al y ModelOps. La rápida evolución de estas tecnologías y técnicas continúa sin disminuir, al igual que el hype correspondiente, haciendo que este paisaje tumultuoso sea difícil de navegar. These conditions mean GenAI continues to be a top priority for the C-suite. Knowledge Graphs are a key part of this, positioned on the slope of enlightenment. . Los gráficos del conocimiento son también la base para los sistemas de inteligencia Es un término acuñado por and referenced by SiliconANGLE & theCUBE analysts David Vellante and George Gilbert in their . Sistemas de Inteligencia Geoffrey Moore analysis on how Snowflake navigates new competitive dynamics Los sistemas de inteligencia son el pilar de la arquitectura empresarial moderna porque los agentes de IA son tan inteligentes como el estado del negocio representado en el gráfico del conocimiento.Si una plataforma controla ese gráfico, se convierte en el formulador de políticas por defecto para “¿por qué está sucediendo esto, qué viene a continuación, y qué debemos hacer?” A unified semantic knowledge graph for Enterprise AGI Un gráfico de conocimiento semántico unificado para Enterprise AGI Vellante and Gilbert also zoom in on the importance of semantics in their analysis of how Comprender la estrategia consiste en reconocer cómo los Sistemas de Inteligencia, Sistemas de Compromiso y Sistemas de Agencia crean una rueda de vuelo: El playbook de inteligencia de datos de Ali Ghodsi para Databricks está convirtiendo los datos en ventaja de agentes User Intent Feeds Semantics: Each question ultimately enriches the catalog with richer context, adding meaning to the data so that others can extract more value from it. Agentes de alimentación semántica: Agentes de armas de contexto más rico para tomar mejores decisiones y, en última instancia, actuar de forma autónoma. Los agentes crean resultados: los agentes proporcionan resultados más efectivamente alineados con los objetivos de negocio. Esta es la piedra angular de la estrategia de Inteligencia de Datos de la empresa. Sin semántica armonizada, gobernada y enriquecida, los dashboards, los agentes o las aplicaciones operativas no pueden integrarse y funcionar. Ali Ghodsi ha hecho las apuestas claras, llamando la posesión de la semántica "existente" El objetivo es permitir a los agentes que no sólo sepan lo que pasó, sino que también pueden inferir por qué, predecir lo que viene y prescribir lo que debe hacerse.Este es el Santo Graal de la IA empresarial – la base para “Enterprise AGI”. Los pensadores estratégicos se dan cuenta de la importancia de poseer la semántica, y Esto es parte de la razón por la que la gente está hablando de capas semánticas, pero ¿qué es realmente una capa semántica? Las capas semánticas son más importantes que nunca en la era de la IA Miembros de la comunidad Connected Data Sofus Macskássy, Jessica Talisman, Juan Sequeda y Andreas Blumauer . aborda las capas semánticas desde una multitud de ángulos, compartiendo definiciones y directrices Why AI alone can’t solve all your data problems Los LLM a menudo "hallucinan" porque se basan en patrones estadísticos amplios, no en el conocimiento único de su negocio.La base de la IA en sus modelos semánticos asegura que las salidas son precisas y confiables al aprovechar las conexiones lógicas dentro de los datos de la empresa. Metis es una plataforma de IA basada en el conocimiento que transforma los datos desconectados en valor de negocio.Con Metis, puede crear y gestionar modelos semánticos con IA, diseñar y desplegar agentes de conversación personalizados, y combinar herramientas para sumarización, ejecución de consultas y más. Utilice una IA fiable y confiable que realmente entienda su negocio. ¡Descubre Metis hoy! Defining and building ontologies Definición y construcción de ontologías Definir capas semánticas se podría llamar meta-semántica, que es un poco irónico, pero al mismo tiempo necesario. definiciones precisas es lo que la semántica es todo sobre, y con el interés renovado y los novatos en el campo, la confusión, el hype y los argumentos calientes son efectos secundarios inevitables. Lo mismo se puede decir de la ontología.Cuando los CTOs reflexionan”. "Y los expertos piensan, la conversación puede llegar bastante técnica bastante rápido.Otros se centran en aspectos más prácticos, como . Qué es una ontología lo que las organizaciones pueden aprender del niño de cartel para la ontología en uso: Palantir Esto apunta a otra conversación perpetuamente en curso: incluso suponiendo que las personas estén de acuerdo en lo que es una ontología, ¿cuál es la mejor manera de construir una? y ? La ingeniería ontológica es realmente una confusión ¿Por qué los equipos de ontología y arquitectura de datos están resolviendo los mismos problemas con idiomas diferentes? Palantir tiene su propia definición y implementación de la ontología. Algunas personas creen que esto es contraproducente. Estándares como OWL, RDF, SKOS y SHACL existen, por lo que no hay razón para reinventar la rueda. Otros piensan que mientras la interoperabilidad es buena, Y el grupo piensa que limita la evolución. those standards are not always fit for purpose Crece el consenso de que Joe Hoeller sostiene que el desarrollo de la ontología es difícil porque depende de expertos en materia que aportan una profunda comprensión del lenguaje operativo, los flujos de trabajo y la terminología, pero normalmente carecen de la formación formal necesaria para representar ese conocimiento dentro de marcos rigurosos. las ontologías de la materia, tan difíciles como puedan ser de desarrollar Las Ontologías de Nivel Superior (TLO) como la Ontología Formal Básica (BFO), la Ontología de Núcleo Común (CCO) o la SUMO (Suggested Upper Merged Ontology) son tan rigurosas. . TLOs ayuda con el ROI de dos maneras En primer lugar, evitar la reinvención: no es necesario debatir o reconstruir categorías básicas para cada proyecto.En segundo lugar, cuando los dominios necesitan interactuar – financiación con logística, cumplimiento de operaciones, atención médica con seguros – la fundación compartida reduce drásticamente el coste de la integración. es algo que personas como Tony Seale han estado defendiendo. el CEO y fundador de Stardog Kendall Clark afirma que . Uso de LLMs para apoyar el desarrollo de la ontología Construir ontologías aprovechando los modelos fundacionales es “mágico” que funciona a través de la escalera rápida, alineamiento simbólico, codificación formal y validación iterativa Sin embargo, Esto, afirma, se basa en el supuesto de que necesitamos construir muchas ontologías, ya que cada proyecto necesita una ontología. El CEO y fundador de Semantic Arts, Dave McComb, desafía la idea de que obtener un LLM para crear incluso una ontología fea es un buen punto de partida Lo que necesitamos, argumenta McComb, son órdenes de magnitud menos ontologías.Ves realmente los superpoderes de las ontologías cuando tienes la expresión más simple posible de conceptos complejos en una empresa. Esta creencia se refleja en , una ontología de código abierto, enfocada al negocio, desarrollada activamente por Semantic Arts. Su diseño ligero y el uso de la terminología cotidiana la han convertido en una herramienta útil para iniciar el desarrollo de la ontología de dominio en una variedad de áreas. . ayer gist ahora está alineado con BFO Regardless of how you choose to build your ontology, tools and methodologies to help do exist. From books such as , to tools such as the open source y . Introducción a la Ingeniería Ontológica Creador de Ontología basado en tablas OntoAligner, un conjunto de herramientas Python modular y robusto para el alineamiento ontológico Sneak peek: Graph visualization and analytics, reimagined for the cloud Fundada en 2013, Linkurious ayuda a las empresas y agencias gubernamentales de Global 2000 a convertir los datos complejos conectados en insights claros. Linkurious Enterprise Cloud (a solo semanas del lanzamiento... ¡se entre los primeros en probarlo!) es la forma más fácil de usar, flexible y escalable de explorar sus datos de gráficos.En minutos, crea una cuenta, conecta tu base de datos de gráficos y explora relaciones a escala – sin necesidad de infraestructura ni mantenimiento. Obtener acceso temprano - Únete a la lista de espera para una prueba gratuita. Getting started with knowledge graphs Empezar con los gráficos del conocimiento Una capa semántica construida con gráficos de conocimiento aumenta el valor inherente de los datos al permitir una integración de datos más rápida y mejorar la calidad de los datos y la confianza con relaciones contextuales y modelos compartidos. El argumento es de Pal. organizations need to adopt the new paradigm of ECL (extract, contextualize, load) instead of traditional ETL (extract, transform, load) for improved ROI on AI , Joe Hoeller chimes in. First, because your tabular data is dumb, even though your business isn’t. And second, because as opposed to predictive (statistical) inference based on LLMs, ontological (logical) inference based on knowledge graphs is deterministic and explainable. Businesses must ground their AI in knowledge graphs You may think that knowledge graphs are too complex to implement, or that they need massive datasets. These are just some of the that Vasilije Markovic tries to address. But even if you are new to graphs, there are lots of resources to get you started. Malentendidos comunes en torno a los gráficos del conocimiento En “ “, Frank Blau offers a guide to Graph Thinking. In the “ ” series, Paco Nathan shares how to get up to speed on graph fundamentals. Max De Marzi shares y . Relational to Graph Graph Tech Demystified Diseño gráfico Mastery Tips si usted está buscando un rol de ingeniero de gráficos de conocimiento, Thomas Thelen compiló una lista de preguntas de entrevista Construir un gráfico de conocimiento suena genial, pero saltar demasiado temprano sin responder a algunas preguntas fundamentales clave puede conducir a la pérdida de tiempo y la ingeniería excesiva. . 15 questions to help you start smart, whether you’re building a simple internal graph or planning a complex GenAI-powered system Implementing an enterprise knowledge graph is a multi-phase journey. As projects move from an initial proof-of-concept to a fully productionalized, multi-domain graph , costs accumulate. . Joe Hoeller breaks down the typical stages (PoC, pilot, and full enterprise deployment) and the costs entailed in each Cognee turns any data into a queryable knowledge graph backed by embeddings Cognee transforma los datos no estructurados, estructurados y semi-estructurados en un gráfico de conocimiento cuestionable respaldado por las incorporaciones. Cognee retrievers blend vector similarity with graph traversal for precise, multi-hop answers and reproducible context – so agents reason and remember with structure. Add Cognee’s enrichment layer, time-awareness, auto-optimization, and its new UI for an even better experience. For teams building domain-aware agents, copilots, and search for knowledge-heavy domains. Cognee is open source, with a hosted version – cogwit. Try it. Cognee is open source, with a hosted version – cogwit. Try it. Adopting, building and populating knowledge graphs Adopting, building and populating knowledge graphs Knowledge graph adoption is peaking. There are more people wanting to build knowledge graphs, and more tools and approaches to do this than ever before. En SAP, ahora puedes . Puede ser utilizado para codebase RAG, navegación de código, análisis de impacto y visualización de arquitectura. . use semantic querying with the SAP HANA Cloud knowledge graph Gráfico de conocimientos de GitLab Graph-Code is an open source graph-based RAG system for any codebase Synalinks is a Keras-based neuro-symbolic framework that bridges the gap between neural networks and symbolic reasoning. features optimized and constrained knowledge graph extraction and retrieval, integration with agents, Neo4j support, Cypher query generation and automatic entity alignment. SynaLinks latest release 0.3 Cognee is a modular framework for end-to-end knowledge graph construction and retrieval. A joint post by the cognee and Kuzu teams shows Así es Amber Lennox . how to transform relational data into a knowledge graph how to go from raw data to a knowledge graph with SynaLinks Tampoco hay escasez de tutoriales en otras herramientas. Gal Shubeli muestra . Thu Hien Vu shares por Alain Airom . how to build a knowledge graph from structured & unstructured data using FalkorDB and Graphiti how to extract knowledge graphs from text with GPT4o Construye un gráfico de conocimiento a partir de documentos utilizando Docling (extracting semantic triples) from documents using an agentic, ontology-driven approach. It combines ontology management, natural language processing, and knowledge graph serialization to turn unstructured text into structured, queryable data. y OntoCast es un framework de código abierto para crear gráficos de conocimiento is a framework for fully autonomous knowledge graph construction that eliminates the need for predefined schemas. It leverages LLMs to extract knowledge triples and induce comprehensive schemas directly from text. . AutoSchemaKG AutoSchemaKG is cutting edge research, with the code released on GitHub markets a system that turns PDFs and text files into knowledge graphs. . Azul Morfeo iText2KG, un paquete Python de código abierto diseñado para construir incrementalmente gráficos de conocimiento consistentes con entidades y relaciones resueltas, ahora puede construir gráficos de conocimiento dinámicos , que utiliza LLMs para automatizar la parte más dolorosa de construir gráficos de conocimiento a partir de texto: deduplicar registros. Russel Jurney introduces the emerging field of semantic entity resolution for knowledge graphs Andrea Volpini shares a notebook , and Prashanth Rao offers . exploring semantic entity resolution & extraction using DSPy and Google’s new LangExtract library a gentle introduction to DSPy for graph data enrichment Subscribe to the Year of the Graph Newsletter Keeping track of all things Graph Year over Year Subscribe to the Year of the Graph Newsletter Subscribe to the Year of the Graph Newsletter Mantener un seguimiento de todas las cosas Gráfico Año tras año Knowledge graphs and AI: a two-way street Los gráficos del conocimiento y la IA: una calle de dos vías In the real world, . using predefined entities and relationships while cleaning up and resolving duplicates and flagging inconsistent sources is a requirement for building knowledge graphs Como señala Panos Alexopoulos, estos son los tipos . And . Problemas de calidad de los gráficos de conocimiento que obstaculizan las aplicaciones a continuación Intentar automatizar los gráficos de conocimiento también puede acabar teniendo consecuencias imprevistas Los autores de “ Ellos muestran cómo modelar gráficos de conocimiento basados en necesidades empresariales y fuentes de datos de texto no estructurados, cómo aprovechar ontologías, taxonomías, datos estructurados, algoritmos de aprendizaje automático y razonamiento. Knowledge Graphs and LLMs in Action The relationship goes the other way round, too. As part of their interpretability research, Anthropic introduced a new method to trace the “thoughts” of a large language model. The approach is to generate attribution graphs, which (partially) reveal the steps a model took internally to decide on a particular output. , releasing a frontend to explore graphs. Michael Hunger wrote a , and Srijan Shukla . Anthropic open sourced a library that supports the generation of attribution graphs on popular open-weights models Script para importar el gráfico json en Neo4j open sourced code to transform Claude’s hidden memory into interactive knowledge graphs En el mundo de los LLMs, el término “ingeniería de contexto” ha estado ganando traición. as “building dynamic systems to provide the right information and tools in the right format such that the LLM can plausibly accomplish the task”. El CEO de LangChain, Harrison Chase, define la ingeniería contextual Como dice Jérémy Ravenel, . And if AI is going to scale beyond demos and copilots into systems that reason, track memory, and interoperate across domains, then context alone isn’t enough. We need ontology engineering. El contexto sin estructura es narrativo, no conocimiento La ingeniería de contexto se trata de curar entradas: prompts, memoria, instrucciones de usuario, embeddings. Es el arte de framing. la ingeniería de ontología se trata de modelar el mundo: definiendo entidades, relaciones, axiomas y restricciones que hacen posible el razonamiento. . Knowledge graphs excel at providing structured, semantic context to LLMs by organizing information as interconnected entities and relationships, making them great options for Memory and Retrieval, as . Knowledge graphs backed by ontologies are the ultimate context layer for LLMs Anthony Alcaraz notes Agentic knowledge graph construction and temporal graphs Agentic knowledge graph construction and temporal graphs is the latest in automated knowledge graphs. The idea Anthony Alcaraz promotes based on a tutorial by Andrew Ng and Andreas Kolleger is to deploy an AI agent workforce, treat AI as a designer, not just a doer, and use a 3-part graph architecture to augment humans instead of replacing them. Agentic knowledge graph construction The authors of the book “ ” aim to equip data scientists to build intelligent AI agents that reason, retrieve, and interact dynamically, empowering them to deploy AI solutions. They dedicate a chapter to creating and connecting a knowledge graph to an AI Agent. Building AI Agents with LLMs, RAG, and Knowledge Graphs Google Cloud released Google Agentspace, which provides a single platform to build, manage, and adopt AI agents at scale for individuals, teams, and enterprises. . Google Agentspace is powered by a knowledge graph, built on Spanner Graph , claiming to be the largest open source financial knowledge graph built from unstructured data. FinReflectKG is a concrete example of agentic construction and evaluation of financial knowledge graphs and performing multi-hop retrieval directly over those graphs. While the cookbook focuses on OpenAI models and some other specific tooling, the underlying framework and logic are model-agnostic and easily adaptable to other stacks. OpenAI released a hands-on guide for building Temporal Agents with knowledge graphs Another approach is shared by Fareed Khan in “ Khan muestra cómo crear un tubo de agentes temporales de extremo a extremo que transforma los datos crudos en una base de conocimiento dinámica, y construir un sistema multiagente para medir el rendimiento. Building a Temporal AI Agent to Optimize Evolving Knowledge Bases in Modern RAG Systems . TGM is a research open source library designed to accelerate training workloads over dynamic graphs and facilitate prototyping of temporal graph learning methods. It natively supports both discrete and continuous-time graphs. Modelado de gráficos temporales es lo que TGM se centra en The state of GraphRAG El estado de GraphRAG And what about GraphRAG? Just over a year ago, GraphRAG was the hottest topic in AI. GraphRAG is an emerging set of techniques to enhance retrieval-augmented generation by integrating knowledge graphs, using their structured nature to provide richer, more nuanced context than standard vector search could offer. Se plantearon varios planos arquitectónicos para aprovechar estos gráficos para capturar las complejas relaciones entre entidades, con el objetivo de producir respuestas generadas por IA más precisas y contextualmente conscientes. Mientras que la evidencia de la adopción generalizada es escasa, las aplicaciones prospectivas están surgiendo.En los sistemas de IA de agentes, el gráfico está evolucionando de una simple fuente de datos para la búsqueda a un mapa fundamental para el razonamiento y la coordinación. Lo argumenta Lorca. The true value of the graph-centric approach becomes clear when applied to agentic AI GraphRAG is still hot. Neo4j published the and . Avi Chawla shares a , while a . claims to decrease RAG retrieval error rate by 67%. Developer’s Guide to Graph RAG El libro esencial de GraphRAG visual explainer of RAG vs Graph RAG empirical study analyses when and how to use knowledge graphs for RAG Anthropic’s Contextual Retrieval There are more new GraphRAG variants too. takes cues from the brain to improve LLM retrieval. HippoRAG combines GraphRAG with Reinforcement Learning. Graph-R1 DRAG introduce un nuevo marco de destilación que transfiere las capacidades de RAG de los LLM a los SLM a través de la destilación basada en evidencias y la estructuración basada en gráficos. uses hierarchical clustering to link disparate topic clusters to enhance global reasoning. HiRAG Andreas Kolleger destacó , and Ben Lorica shares . innovative approaches from the GraphRAG Track at AI Engineer World’s Fair 2025 5 breakthroughs you should know about in RAG Reimagined Sergey Vasiliev argumenta . To counter this, Huawei researchers published . GraphRAG no carece de ideas, pero lucha por escalar a pragmatic case study in balancing scalability with reasoning depth in GraphRAG systems Multimodal graphs Multimodal graphs Un tema que está ganando impulso en GraphRAG y más allá es la multi-modalidad. es un sistema de RAG todo en uno que aprovecha los gráficos de conocimiento multimodales para la extracción automática de entidades y el descubrimiento de relaciones cross-modales para una mejor comprensión. RAG-Anything Es un marco diseñado por David Hughes y Amy Hodler para integrar sin problemas datos visuales y textuales para obtener una visión más completa y respuestas más precisas. multimodal GraphRAG combines structured knowledge representations with deep learning techniques to handle diverse information sources. Multimodal for Knowledge Graphs (MM4KG) In “ “, researchers propose a unified framework of multi-modal graph data, task, and model, discovering the inherent multi-granularity and multi-scale characteristics in multi-modal graphs. Towards Multi-modal Graph Large Language Model Graph databases grow and evolve Graph databases grow and evolve as Joe McKendrick writes on ZDNet. Graph databases are projected to have a five-year CAGR of 24% – 26% according to and , respectively. The overall database market will grow 16% annually. Graph databases are exploding, thanks to the AI boom, Gartner the Business Research Company As AI and RAG have given a significant boost to both graph and vector databases, people are trying to establish how these two compare, and when and how to use each. Andreas Blumauer . : they encode logic, preserve causality, and let you do symbolic + neural hybrid search, Shobhit Tankha chimes in. In André Lindenberg’s words: . compares vector and graph database semantics Los gráficos no solo almacenan hechos A database tells you what is connected. A knowledge graph tells you why Graph databases are bustling with activity. First, we saw the unveiling of not one, but two new vendors in the last couple of months. , an efficient disk-based graph database for RDF knowledge graphs, is now in open beta. And , a low-latency in-memory graph database engine, is now open for early access. Tentris TuringDB Existing graph database vendors are making progress too. , a new graph architecture that aims to eliminate data silos between transactional and analytical systems. Neo4j went HTAP by launching Infinigraph introduced engine improvements and support for AWS Graviton-based r8g instances. Amazon Neptune 1.4.5 , bringing improvements in developer ease, performance, and cost efficiency. Aerospike Graph Database 3.0 was announced , bringing broad LLM compatibility, MCP support, precision entity linking, native GraphQL support and performance improvements. Graphwise announced the availability of versions 11 and 11.1 of GraphDB , bringing single-file databases, improvements to vector and full-text search indices, and new LLM support. Kuzu v0.11.0 was released TigerGraph anunció una inversión estratégica de Cuadrilla Capital. GQL, the newly-minted graph query language standard, is seeing adoption. , enabling users to run GQL queries on any Fabric Eventhouse or Azure Data Explorer. Shortly after, . And integrated with deep search. Microsoft está añadiendo soporte GQL a la semántica de gráficos de KQL Microsoft Fabric comenzó a ofrecer análisis de gráficos en Real-Time Intelligence Siren es la primera plataforma de investigación que ofrece consulta de gráficos GQL For a guide to designing, querying, and managing graph databases with GQL, check the newly released book Y ahora usted puede directamente , thanks to the Ultipa VS Code Extensions. Introducción al Graph Query Language (GQL) run GQL queries in VS Code Graph data models: LPG vs. RDF, OWL vs. SHACL Graph data models: LPG vs. RDF, OWL vs. SHACL The LPG vs. RDF debate over graph data models never really goes away. Bryon Jacob explored RDF’s complete stack – (IRIs), (triples), (RDFS y OWL) (SPARQL), and . Jacob argues that . identidad structure semantics queries compared it to property graphs major enterprises are discovering they’ve been rebuilding RDF piece by piece and Atanas Kiryakov has a go at good insights in the comment section. In , Enterprise Knowledge share ways to manage and apply a selection of these frameworks to meet enterprise needs. Ora Lassila agrees, debunking urban myths about RDF and explaining how ontologies help GraphRAG; Frameworks LPG y RDF In his exploration on , Kurt Cagle claims that we are soon likely to see the unification of LPG and RDF. Cagle also predicts that event-driven and dynamic knowledge graphs SHACL-based modeling will be more important going forward. He follows up . the future of knowledge graphs arguing it’s time to rethink Linked Data , permitiendo la transpilación de modelos de dominio en lenguajes de definición de esquema como GraphQL, Avro, SQL, RDF y Java mientras se conserva la semántica. . Netflix unveiled its UDA (Unified Data Architecture) to model once, represent everywhere S&P launched its new AI-ready Metadata on the S&P Global Marketplace, with RDF under the hood La gente también está debatendo OWL vs. SHACL. Holger Knublauch, Boris Pelakh, Pete Rivett y Jessica Talisman abordan esto en , while Michael Iantosca argues that . El gran modelo semántico both OWL and SHACL can be employed during the decision-making phase for AI Agents when using a knowledge graph Holger Knublauch comparte una vista previa de El libro de Veronika Heimsbakk » ” is open for pre-orders. And Kurt Cagle shows , y and . Lo que viene en SHACL 1.2 SHACL for the Practitioner how to make pizza with AI and SHACL how to use SHACL to validate anything build user interfaces Graph AI: GNNs, graph transformers and foundational models Graph AI: GNNs, graph transformers and foundational models Ya hemos visto cómo abordar modelos de datos gráficos y bases de datos procedentes del mundo relacional. ’? what is a ‘relational foundation model The GenAI boom has given us powerful language models that can write, summarize and “reason” over vast amounts of text and other types of data. But these models don’t work for high-value predictive tasks like predicting customer churn or detecting fraud from structured, relational data. Kumo’s approach, “relational deep learning,” promises to change that. Kumo’s relational foundation model generalizes the to automatically represent any relational database as a single, interconnected graph, and learns directly from this graph representation. transformer architecture Kumo parece ser el primero en producir esto. and are working on similar approaches too. The evolution is far from over, and the future of graph AI promises to be even more deeply connected. Google Yandex Janu Verma de Microsoft comparte su propia toma de Graph Transformers. The Connected Data community is a great place for an .The authors of the have recently added a new chapter on graphs. Jure Leskovec shares . introduction to Graph Learning and GNNs Geometric Deep Learning textbook Lo que todos los científicos de datos deben saber sobre los transformadores de gráficos y su impacto en los datos estructurados PyG (PyTorch Geometric) es una biblioteca construida sobre PyTorch para escribir y entrenar fácilmente las redes neuronales de gráficos para una amplia gama de aplicaciones relacionadas con los datos estructurados. PyG has evolved significantly since its initial release, establishing itself as a leading framework for Graph Neural Networks. that introduces substantial improvements in scalability and real-world application capabilities. PyG 2.0 es una actualización completa . It is a PyTorch-based framework that provides a flexible and modular architecture for building and training GNN models for anomaly detection. GraGOD is a modern approach to time-series anomaly detection using GNN techniques Graph science: Strong perfect graphs, the new Dijkstra’s algorithm and convergent neural networks Graph science: Strong perfect graphs, the new Dijkstra’s algorithm and convergent neural networks Last but not least, advances on the scientific front for graphs. Starting with a . Chudnovsky’s breakthrough on the shows how abstract math creates real-world solutions. Maria Chudnovsky, la “superestrella matemática” que resolvió un rompecabezas de 40 años sobre gráficos perfectos Strong Perfect Graph Conjecture Speaking of real-world solutions: when we use Google Maps to find the fastest route, behind the scenes, it’s running some version of Dijkstra’s algorithm. That’s been the standard way to compute “shortest paths” since the 1950s. algo que la gente pensaba que realmente no se podía mejorar de una manera significativa. Researchers have found a faster way to run Dijkstra’s shortest path algorithm Travis Thompson claims Alexander Stage señala que este a . this transfers well into the way data products are built and consumed gran hito de la teoría, pero la ruta de producción ya “cambió las reglas” hace años con el preprocesamiento y la ingeniería gráfica inteligente Miklós Molnár reports on Szegedy Balázs’ work on . Results point to the Platonic Representation Hypothesis, according to which neural networks are converging to a shared statistical model of reality. And Alberto Gonzalez shares the basics of . training neural networks with identical architectures Representación de grafos Suscríbete al año de la Newsletter de Graph Keeping track of all things Graph Year over Year Suscríbete al año de la Newsletter de Graph Suscríbete al año de la Newsletter de Graph Mantener un seguimiento de todas las cosas Gráfico Año tras año
