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? つながる過程においては、 スピーカーとして、私たちはコミュニティの起源と進化とその融合するテクノロジー、すなわち知識グラフ、グラフアナリティクス、AI、データサイエンス、データベース、セマンティックテクノロジーについて反省し、詳細に説明する会話に参加しました。 Connected Data ロンドン 2025 私たちがそれを説明した方法は、これまで10年以上にわたって存在してきた初期の採用者のコアであり、また、GenAIによって誘発されたグラフやグラフが接続性をモデル化する最良の方法であるという認識によって起こった新入社員の増加のセグメントでした。 今日、これまで以上に多くのデータポイントが接続され、これまで以上に多くの接続が高速化され、人々はこれまで以上にこれらの接続の重要性を認識し、活用しています。 グラフはモデル接続のために存在する だからグラフはどこにでも存在する したがって、グラフの周りの採用、思考リーダーシップ、ツール、機能、アプリケーション、方法論の爆発が起きています。 ターゲット化治療のアプローチは変わらず、これまでで最も長い問題です。 前回からわずか3ヶ月が経ちました。 この問題は、新入社員から専門家まで、戦略的思考者やモデラーからエンジニアや科学者まで、Microsoft Azure、GitLab、Netflix、S&P、SAPのグラフサポートから、DataBricksやSnowflakeのセマンティクスやエージェント、オントロジー、知識グラフ、AI、グラフトランスフォーマー、および科学の進歩に至るまで、すべての人に適用されます。 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 Connected Data ロンドン2025 11月20日～21日 コンテンツのテーブル 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 This issue of the Year of the Graph is brought to you by G.V(), metaphacts, Linkurious, and cognee. このグラフの年号は、G.V()、メタファクト、リンキュリウス、およびコニーによってあなたに届けられています。 あなたが今後のエピソードで紹介され、この仕事をサポートしたい場合は、到達してください! This issue of the Year of the Graph is brought to you by , , , and . G.V() metaphacts Linkurious cognee V( ) メタファクト リンク コニー もしあなたが今後の作品に登場し、この作品を応援したいのなら、 ! 出入り Announcing the State of the Graph project State of the Graph プロジェクトの発表 グラフテクノロジー空間におけるすべてのオファーの包括的かつ最新のリポジトリ、視覚化、分析。 まもなく来ます!更新はこちらから。 Graph is the new star schema Graph is the new star schema(グラフは新しい星のスケジュール) セールスフォースの製品データ&AI担当副社長であるイリーナ・マルコワ氏は、AI以前は、マルコワ氏は、グラフメタデータがチームにとってリターンポジティブな投資であるとは思っていませんでした。 グラフは本当に新しい星のスケジュールなのか? しかし、現在、マルコワは、データがグラフとして構造化されない限り、エージェントは自律できないことに気づき、マルコワがこの認識を表明した数日後、彼女の投稿はより多くの背景と文脈を共有したグラフリーダーを魅了しました。 彼女が置いたように、 マルコワは、グラフ・インサイダーと新入社員が、お互いから学ぶことで仕事を再構想するようになったらどうなるかと疑問に思う。 我々は、現在、AIエージェントにデータを供給する必要性によって駆動された3度目のグラフの波に生きている。 グラフとデータ倉庫の星のスケジュールは共通点は何ですか? 彼らはあらゆる場所に存在し、組織の価値を解除するのに役立ちます。星のスケジュールとは異なり、グラフのデータモデルは柔軟で、明確にセマンティクスをモデルすることができます。 もう一つ言えば、グラフスケジュールはスケジュールの星です。 AS 正確に定義されたプロセスや抵抗力のあるアーキテクチャがなければ、GenAIがもたらす加速は、ワークフローを簡素化する代わりに混沌を拡大するリスクを伴います。 チャールズ・ベッツ(Charles Betz, VP, Principal Analyst at Forrester) 鍵は、GenAIをマネジメントシステムの構造に統合する強力なITオペレーティングモデルを構築することです。 グラフはエンティティと関係を柔軟に表し、GenAIが複雑なデータの領域を推論することを可能にします。グラフベースの知識インフラストラクチャに投資することで、組織は、透明性、追跡性、並行性を確保しながら、AIの完全な可能性を解放することができます。 Writerの製品マネジメントディレクターであるMatan-Paul Shetrit氏は、これをさらに一歩進めています。 従来の企業では、連携は手動であり、ハイブリッド企業では、連携はプログラミング可能になる。 グラフを未来の企業のオーケストラレイヤーとして考える それはもはや、ワークフローの主なマップではありません。 オーケストレーショングラフは、人々、エージェント、およびシステムのダイナミックで、しばしば目に見えないネットワークであり、リデレーションロジック、実行ループ、エスカレーションパスによって接続されています。 G.V() はグラフ データベース クライアントと IDE で、すべてのタスクを通してあなたをパワーアップします。 No matter what graph technology you work with, G.V() makes you more productive 書く、実行し、プロフィールクエリ データモデルをチェック Explore your data with high-performance graph visualization 飛行機にデータを追加または編集する As the most widely compatible graph database IDE, G.V() supports 20+ tools, including Amazon Neptune, Google Spanner Graph, Neo4j, and JanusGraph – and now with GQL support for Ultipa Graph. 自分で試してみて、5分以内にデータベースのクエリを開始してください。 トップ > gdotv.com Graphs power Systems of Intelligence グラフ・パワー・システム・オブ・インテリジェンス Graphs Power Systems of Intelligence グラフはGenAIとともに進化し、それに影響を与え、影響を受けている。 生成型AIの能力は急速なペースで進化しており、今後2～5年間で利用可能になるツールは変革的です。 Gartner 2025 AI Hype Cycle(Gartner 2025 AIハイプサイクル) Alの投資は依然として強力だが、GenAlのヒープからAl-ready data、Al agents、Al engineering、ModelOpsなどの基本的なイノベーションに焦点を当てている。 これらの条件は、GenAIがCスイートの最優先事項であり続けることを意味します. Knowledge Graphs are a key part of this, positioned on the slope of illumination. . Knowledge graphs are also the foundation for Systems of Intelligence is a term coined by SiliconANGLE & theCUBEのアナリスト、David VellanteとGeorge Gilbertが指摘した。 . 情報システム ジェフリー・ムーア analysis on how Snowflake navigates new competitive dynamics インテリジェンスシステムは、AIエージェントが知識グラフに示されたビジネスの状態と同じくらいスマートであるため、現代のエンタープライズアーキテクチャの基盤です。 A unified semantic knowledge graph for Enterprise AGI エンタープライズAGIのための統一されたセマンティック知識グラフ Vellante and Gilbert also zoom in on the importance of semantics in their analysis of how 戦略を理解することは、情報システム、関与システム、およびエージェントシステムがどのように飛行車を作り出すかを認識することです。 Ali GhodsiのData Intelligence Playbook for Databricksは、データをエージェントの利点に変える User Intent Feeds Semantics: 各質問は最終的にカタログをより豊かな文脈で豊かにし、他の人がそれからより多くの価値を抽出できるようにデータに意味を追加します。 Semantics Feed Agents: より豊かなコンテキストの武器エージェントは、より良い決定を下し、最終的に自律的に行動します。 エージェントは結果を生み出す:エージェントは、ビジネス目標とより効果的に一致した結果を提供します。 これは、同社のデータインテリジェンス戦略の基盤であり、調和され、統制され、豊かなセマンティクスがなければ、ダッシュボード、エージェント、または操作アプリケーションは統合され、機能しません。 Ali Ghodsiは、セマンティクスを所有することを「存在的」と呼び、賭けを明確にしました。 目標は、何が起こったかを知っているだけでなく、なぜ起こったのかを推測し、次に何を予測し、何を処方すべきかを示すことができるエージェントを可能にすることです。 戦略的思想家は、セマンティックを所有することの重要性を認識し、 これは、人々がセマンティックな層について話している理由の一部ですが、実際には何がセマンティックな層なのでしょうか。 Semantic Layers Matter More Than Ever in the AI Era Connected Data コミュニティメンバー Sofus Macskássy、Jessica Talisman、Juan Sequeda、Andreas Blumauer . 数学的層を多様な角度からアプローチし、定義やガイドラインを共有する Why AI alone can’t solve all your data problems LLMs often “hallucinate” because they rely on broad, statistical patterns, not your business’s unique knowledge. Grounding AI in your semantic models ensures outputs are accurate and trustworthy by leveraging logical connections within enterprise data. metis は、知識駆動型の AI プラットフォームで、無関係なデータをビジネス価値に変換します. metis を使用すると、AI を使用してセマンティック モデルを作成し、管理し、カスタム 会話 エージェントを設計し、展開し、概要化、クエリ実行などのツールを組み合わせることができます。 あなたのビジネスを本当に理解する信頼できる、信頼できるAIを使用してください。 今日もメトロを発見! Defining and building ontologies オントロジーの定義と構築 セマンティックな層を定義することはメタセマンティクスと呼ばれることができますが、それは少し皮肉ですが、同時に必要です。正確な定義は、セマンティクスが何のことですか、そして分野における新たな関心と新人と、混乱、ヒープと熱い議論は避けられない副作用です。 オントロジーについても同じことが言えます. When CTOs Reflect 」 」と専門家は重視し、会話はかなり技術的でかなり速いことができます。 . 何がオントロジー 組織が使用中のオントロジーのためのポスター児から学ぶことができること:Palantir これは、もう一つの絶え間なく続く会話に向かって指摘しています:人々が何がオントロジーであるかについて合意していると仮定しても、それを構築する最善の方法は何ですか? ・・・そして ? ontology engineering really a mess なぜオントロジーとデータアーキテクチャのチームが異なる言語で同じ問題を解決しているのか Palantirは独自の、独自の定義とオントロジーの実装を持っています。一部の人々はこれが反生産的であると信じています。OWL、RDF、SKOS、SHACLなどの基準は存在しますので、車輪を再発明する理由はありません。他の人々は、相互運用性が良いものの、 , and group think limits evolution. これらの基準は、常に目的に適しているわけではありません。 There is growing consensus that ジョー・ホーラーは、オントロジー開発は、作業言語、ワークフロー、用語の深い理解をもたらすトピックの専門家に依存しているため、困難であると主張するが、通常は厳格な枠組みの中でその知識を表すために必要な正式な訓練が欠けている。 ontologies matter, hard as they may be to develop Basic Formal Ontology(BFO)、Common Core Ontology(CCO)、SUMO(Suggested Upper Merged Ontology)などのトップレベルのオントロジー(TLOs)は、そのような厳格な枠組みです。 . TLOs help with ROI in two ways 第一に、再発明を避けること – すべてのプロジェクトのための基本的なカテゴリを議論したり再構築する必要はありません。第二に、ドメインが相互作用する必要がある場合 – 資金調達と物流、運用コンプライアンス、医療と保険 – 共有財団は、統合のコストを劇的に低下させます。 トニー・シーールのような人々が主張しているものだ」とStardogのCEOと創設者Kendall Clarkは主張する。 . Using LLMs to support ontology development 基礎モデルを活用するビルディングオントロジーは、「魔法」であり、スムート・スカッフォリング、シンボル・アライアニング、形式的なコーディング、およびイテラティブな検証を通じて機能します。 しかし、 これは、あらゆるプロジェクトにオントロジーが必要であるため、多くのオントロジーを構築する必要があるという仮定に基づいていると彼は主張する。 Semantic ArtsのCEOおよび創設者であるDave McCombは、LLMを取得して悪質なオントロジーを生み出すことが良い出発点であるという考えに挑戦します。 私たちが必要とするのは、マッコンブが主張するように、規模のオーダーがより少ないオントロジーである. あなたは、企業内で複雑な概念の最も単純な表現を持っているときに、オントロジーの超力を見ることができます。 この信念は、 セマンティックアーツが積極的に開発したオープンソース、ビジネスに焦点を当てたオントロジー、その軽量な設計と日常用語の使用により、さまざまな分野でドメインオントロジーの開発を開始するための有用なツールとなっています。 . 昨日 gist is now aligned with BFO あなたがどのようにあなたのオントロジーを構築することを選ぶかにかかわらず、ツールや手法は存在します。 , to tools such as the open source そして . Introduction to Ontology Engineering Spreadsheet-based Ontology Maker の検索結果 OntoAligner, a comprehensive modular and robust Python Toolkit for ontology alignment (オントアリグナー) Sneak peek: Graph visualization and analytics, reimagined for the cloud 2013年に設立されたLinkuriousは、グローバル2000企業や政府機関が複雑な接続データを明確な洞察に変えるのを助けています。 Now, we’re bringing our flagship graph visualization and analytics solution to the cloud. Linkurious Enterprise Cloud (just weeks away from launch…be among the first to try it!) is the most user-friendly, flexible, and scalable way to explore your graph data. In minutes, create an account, connect your graph database, and explore relationships at scale – no infrastructure or maintenance required. 👉 早期アクセス - 無料の試用試験のための待機リストに参加してください。 Getting started with knowledge graphs 知識グラフから始まる A semantic layer built with knowledge graphs increases the inherent value of data by enabling faster data integration and improving data quality and trust with contextual relationships and shared models. This is why , argues Sumit Pal. 組織は、AIのROI向上のために、従来のETL(抽出、変換、負荷)の代わりに、ECL(抽出、文脈化、負荷)の新しいパラダイムを採用する必要があります。 第一に、あなたのタブレットデータは愚かなため、あなたのビジネスはそうではないにもかかわらず、第二に、LLMに基づく予測的(統計的)推測とは異なり、知識グラフに基づくontological(論理的)推測は決定的で説明可能であるからです。 Businesses must ground their AI in knowledge graphs 知識グラフが実装するには複雑すぎるか、膨大なデータセットが必要だと考えるかもしれません。 ヴァシリエ・マルコヴィッチが扱おうとしていますが、あなたがグラフに新しくても、あなたを始めるためのリソースがたくさんあります。 知識グラフの周りの共通の誤解 In “ “, Frank Blau offers a guide to Graph Thinking. In the “ ”シリーズ、Paco Nathanは、グラフの基本をどのようにスピードにアップするかを共有します。 そして . Relational to Graph Graph Tech Demystified Graph モデリング Mastery Tips あなたが知識グラフエンジニアの役割に着陸したい場合は、Thomas Thelenはインタビューの質問リストをまとめました。 Building a knowledge graph sounds great, but jumping in too early without answering some key foundational questions can lead to wasted time and over-engineering. Sabika Tasneem shares . あなたが単純な内部グラフを構築しているか、複雑なGenAI駆動システムを計画しているかに関わらず、スマートに始めるのに役立つ15の質問 エンタープライズ知識グラフの実装は、複数の段階の旅であり、プロジェクトが初期のコンセプトの証明から完全に生産化された複数のドメイングラフに移行するにつれて、コストが蓄積されます。 . 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 turns unstructured, structured and semi-structured data into a queryable knowledge graph backed by embeddings. Cognee リトリバーは、ベクターの類似性とグラフの横断を組み合わせ、正確で複数のヒップ応答と再現可能な文脈を提供します - だから、エージェントは理性と構造を覚えています。 Cognee の豊富な層、時間意識、自動最適化、および新しい UI を追加して、より良い体験を提供します。 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. On SAP, you can now . can be used for codebase RAG, code navigation, impact analysis and architecture visualization. . use semantic querying with the SAP HANA Cloud knowledge graph GitLabの知識グラフ Graph-Code は、すべてのコードベースのためのオープンソースのグラフベースの RAG システムです。 Synalinks は、神経ネットワークと象徴的推論の間のギャップを結ぶ Keras ベースの神経象徴的なフレームワークです。 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 アンバー・レノックスの株 . how to transform relational data into a knowledge graph how to go from raw data to a knowledge graph with SynaLinks There’s no shortage of tutorials on other tools either. Gal Shubeli shows ふるさと ふるさと 株 『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 builds a knowledge graph from documents using Docling エージェント的、オントロジー主導のアプローチを使用して文書から(セマンティック・トリプルを抽出) オントロジー・マネジメント、自然言語処理、知識グラフの序列化を組み合わせ、構造化されていないテキストを構造化され、検索可能なデータに変換します。 ♪ OntoCast is an open source framework for creating knowledge graphs 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. . 自動車スケジュール AutoSchemaKG is cutting edge research, with the code released on GitHub markets a system that turns PDFs and text files into knowledge graphs. . Blue Morpho iText2KG, an open source Python package designed to incrementally construct consistent knowledge graphs with resolved entities and relations, can now build dynamic knowledge graphs , which uses LLMs to automate the most painful part of building knowledge graphs from text: deduplicating records. Russel Jurney introduces the emerging field of semantic entity resolution for knowledge graphs Andrea Volpini shares a notebook , and Prashanth Rao offers . DSPy と Google の新しい LangExtract ライブラリを使用してセマンティック エンティティ 解析と抽出を探索する a gentle introduction to DSPy for graph data enrichment Year of the Graph Newsletterにサブスクリプション 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 Keeping track of all things Graph Year over Year Knowledge graphs and AI: a two-way street Knowledge graphs and AI: a two-way street 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 As Panos Alexopoulos notes, these are the types of . And . knowledge graph quality issues that hamper downstream applications trying to automate knowledge graphs may also end up having unforeseen consequences The authors of “ 彼らは、ビジネスニーズと非構造テキストデータ源に基づいて知識グラフをモデル化する方法、ontologies、タクソノミー、構造データ、機械学習アルゴリズムと推論を活用する方法を示します。 知識グラフとアクションにおけるLLMs Anthropicは、解釈性の研究の一環として、大きな言語モデルの「考え」を追跡するための新しい方法を導入しました。 , 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. Anthropic open sourced a library that supports the generation of attribution graphs on popular open-weights models. Anthropic open sourced a library that supports the generation of attribution graphs on popular open-weights models. グラフ json を Neo4j にインポートするスクリプト open sourced code to transform Claude’s hidden memory into interactive knowledge graphs LLMの世界では、「コンテキストエンジニアリング」という用語は引き寄せを得ています。 as “building dynamic systems to provide the right information and tools in the right format such that the LLM can plausibly accomplish the task”. LangChain’s CEO Harrison Chase defines context engineering ジェレミー・ラヴェネルが指摘するように、 . 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. 構造のない文脈は物語であり、知識ではない。 Context engineering is about curating inputs: prompts, memory, user instructions, embeddings. It’s the art of framing. Ontology engineering is about modeling the world: defining entities, relations, axioms, and constraints that make reasoning possible. Context guides attention. Ontology shapes understanding. 知識グラフは、相互接続されたエンティティや関係として情報を組織することによって、LLMに構造化された、セマンティックな文脈を提供することに優れ、メモリとリトリバルにとって素晴らしいオプションとなっています。 . Ontologiesによってサポートされる知識グラフは、LLMの究極の文脈層です。 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. エージェント知識グラフ構築 The authors of the book “ 「データサイエンティストを装備することを目指し、AIソリューションを展開するためにダイナミックに推論し、回収し、相互作用するインテリジェントAIエージェントを構築することを目指しています。 Building AI Agents with LLMs, RAG, and Knowledge Graphs Google Cloudは、個人、チーム、企業向けにAIエージェントを構築、管理、採用するための単一のプラットフォームを提供するGoogle Agentspaceをリリースしました。 . 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 調理本はOpenAIモデルやその他の特定のツールに焦点を当てているが、その下にあるフレームワークと論理はモデルアグニティックで、他のスタックに容易に適応できる。 OpenAI、知識グラフを用いてタイムラルエージェントを構築するための実践ガイドをリリース Another approach is shared by Fareed Khan in “ 「ハンは、原始データをダイナミックな知識ベースに変換し、パフォーマンスを測定するための複数のエージェントシステムを構築するためのエンド-to-エンドタイムエージェントパイプラインを作成する方法を示しています。 現代RAGシステムにおける進化する知識ベースを最適化するための一時的なAIエージェントの構築 . 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. Temporal graph modeling is what TGM focuses on The state of GraphRAG The state of 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. Several architectural blueprints for harnessing these graphs to capture the complex relationships between entities were laid out, with the goal of producing more accurate and contextually aware AI-generated responses. Since then, Ben Lorica has been watching for signs of these techniques taking root in practice. While evidence of widespread adoption is scarce, forward-looking applications are emerging. In agentic AI systems, the graph is evolving from a simple data source for retrieval into a foundational map for reasoning and coordination. , Lorica argues. 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 シェア A , while a で。 RAG リハビリエラー率を 67% 削減すると主張しています。 Developer’s Guide to Graph RAG Essential GraphRAG ブック 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は、証拠ベースの蒸留とグラフベースの構造化を通じて、RAGの能力をLLMからSLMに転送する新しい蒸留枠組みを導入しています。 uses hierarchical clustering to link disparate topic clusters to enhance global reasoning. HiRAG Andreas Kolleger highlights , and Ben Lorica shares . AI Engineer World’s Fair 2025 での GraphRAG Track の革新的なアプローチ 5 breakthroughs you should know about in RAG Reimagined Sergey Vasiliev argues . To counter this, Huawei researchers published . GraphRAG doesn’t lack ideas, but it struggles to scale up GraphRAGシステムにおけるスケーラビリティと推論の深さのバランスをとるための実践的なケーススタディ Multimodal graphs マルチモダルグラフ A topic that’s gaining momentum in GraphRAG and beyond is multi-modality. is an all-in-one RAG system that leverages multimodal knowledge graphs for automatic entity extraction and cross-modal relationship discovery for enhanced understanding. RAG-Anything is a framework designed by David Hughes and Amy Hodler to seamlessly integrate visual and textual data for more comprehensive insights and more accurate responses. It combines embeddings that capture visual and audio semantics, graph-based reasoning and explainable outcomes. マルチモダル 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 データベース市場全体は年間16%増加する。 Graph databases are exploding, thanks to the AI boom, ガートナー ビジネス研究会社 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. アンドレアス・ブルーマイア . : 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 Graphs don’t just store facts 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. 低遅延のメモリグラフデータベースエンジンは、現在、早期アクセスを可能にしています。 Tentris ターニングDB 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 Graphwiseは、広範なLLM互換性、MCPサポート、正確なエンティティリンク、ネイティブのGraphQLサポート、パフォーマンスの向上をもたらす、GraphDBのバージョン11と11.1の可用性を発表しました。 , bringing single-file databases, improvements to vector and full-text search indices, and new LLM support. Kuzu v0.11.0 was released . TigerGraph announced a strategic investment from Cuadrilla Capital GQL, the newly-minted graph query language standard, is seeing adoption. ユーザーが GQL クエリを任意の Fabric Eventhouse または Azure Data Explorer で実行できるようにします。 そして integrated with deep search. Microsoft is adding GQL support to KQL graph semantics Microsoft Fabric started offering graph analysis in Real-Time Intelligence Siren is the first investigative platform to offer GQL graph querying For a guide to designing, querying, and managing graph databases with GQL, check the newly released book . And now you can directly , thanks to the Ultipa VS Code Extensions. Getting Started with the Graph Query Language (GQL) run GQL queries in VS Code Graph data models: LPG vs. RDF, OWL vs. SHACL グラフデータモデル: 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/OWL), (SPARQL), and ヤコブはこう主張する。 . identity 構造 semantics 望み compared it to property graphs 主要企業は、RDFの一部ずつ再構築していることを発見しています。 and Atanas Kiryakov has a go at good insights in the comment section. In Enterprise Knowledge は、これらのフレームワークの選択を管理し、企業のニーズを満たすために適用する方法を共有します。 Ora Lassila agrees, RDFに関する都市神話を解き明かし、オントロジーがGraphRAGにどのように役立つかを説明する。 bridging LPG and RDF frameworks 彼の探検では、 , 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 , enabling to transpile domain models into schema definition languages like GraphQL, Avro, SQL, RDF, and Java while preserving semantics. . 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 People are also debating OWL vs. SHACL. Holger Knublauch, Boris Pelakh, Pete Rivett and Jessica Talisman address this in , while Michael Iantosca argues that . the great semantic modeling debate both OWL and SHACL can be employed during the decision-making phase for AI Agents when using a knowledge graph Holger Knublauch shares a preview of . Veronika Heimsbakk’s book “ ” is open for pre-orders. And Kurt Cagle shows , and そして . what is coming in SHACL 1.2 SHACL for the Practitioner について 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 私たちはすでに、グラフデータモデルやデータベースを関係世界からどのようにアプローチするかを見ました。 ’? 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 関連データベースを単一、相互接続したグラフとして自動的に表示し、このグラフの表示から直接学ぶ。 transformer architecture Kumo looks like the first to productize this. However, people in 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 Microsoft’s Janu Verma shares his own take on Graph Transformers. Connected Data コミュニティは、一つのための素晴らしい場所です。 .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 すべてのデータサイエンティストがグラフトランスフォーマーと構造化データへの影響について知っておくべきこと PyG (PyTorch Geometric) は、構造化されたデータに関連する幅広いアプリケーションのための Graph Neural Networks を簡単に書き、訓練する PyTorch に基づいて構築されたライブラリです。 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 is a comprehensive update . 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 抽象数学が現実世界のソリューションを作り出す方法を示しています。 マリア・チュドノフスキー(Maria Chudnovsky)は「スーパースター数学者」で、完璧なグラフに関する40年の謎を解いた。 強力な完璧なグラフ推測 現実世界のソリューションについて話すと、私たちが最も速いルートを見つけるためにGoogleマップを使用するとき、舞台の裏で、それはDijkstraのアルゴリズムのいくつかのバージョンを実行しています。 : something people thought couldn’t really be improved in a meaningful way. Researchers have found a faster way to run Dijkstra’s shortest path algorithm Travis Thompson claims . Alexander Stage notes that this a . これは、データ製品が構築され、消費される方法に大きく影響します。 偉大な理論のマイルストーンだが、生産ルーティングはすでに数年前、プレプロセッサとスマートグラフエンジニアリングで「ルールを変えた」 ミクロス・モルナールは、セゲディ・バラジュの活動について報告します。 . 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 representing graphs Year of the Graph Newsletterにサブスクリプション すべての事柄を追跡するグラフ Year over Year Year of the Graph Newsletterにサブスクリプション Year of the Graph Newsletterにサブスクリプション すべての事柄を追跡するグラフ Year over Year
