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? W procesie łączenia się z jako wykładowcy, zaangażowaliśmy się w rozmowy refleksyjne i wyrafinowane na temat pochodzenia i ewolucji społeczności i technologii, na których zbiega się: grafiki wiedzy, analityka grafiki, sztuczna inteligencja, nauka o danych, bazy danych i technologia semantyczna. Łączone dane Londyn 2025 Sposób, w jaki to opisaliśmy, był - rdzeń wczesnych adoptorów, którzy byli wokół tego, co może być od ponad dekady, a także rosnący segment nowicjuszy, którzy natknęli się na wykresy spowodowane albo przez GenAI, albo przez uświadomienie sobie, że wykresy są najlepszym sposobem na modelowanie łączności. Dzisiaj istnieje więcej punktów danych do podłączenia niż kiedykolwiek wcześniej, istnieje również więcej połączeń szybszych niż kiedykolwiek wcześniej, a ludzie zdają sobie sprawę i wykorzystują znaczenie tych połączeń bardziej niż kiedykolwiek wcześniej. Wszystko jest połączone. Grafiki istnieją dla połączeń modelowych. Dlatego grafiki są wszędzie Dlatego istnieje eksplozja w przyjęciu, przywództwo myślowe, narzędzia, funkcje, aplikacje i metodologie wokół wykresów. , a ukierunkowane podejście do kuracji nie zmieniło się, jest to najdłuższy problem do tej pory. Minęły trzy miesiące od poprzedniego Ta kwestia dotyczy każdego – od nowicjuszy po ekspertów, od myślicieli strategicznych i modelarzy po inżynierów i naukowców.Od wsparcia dla wykresów na platformie Microsoft Azure, GitLab, Netflix, S&P i SAP, do semantyki i agentów na Databricks i Snowflake, ontologii, wykresów wiedzy i sztucznej inteligencji, transformatorów graficznych i przełomów naukowych. 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 Londyn 2025 w dniach 20-21 listopada Tabela treści 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 Ten numer Roku Grafu jest przynoszony do ciebie przez G.V(), metafakty, Linkurious i cognee. Jeśli chcesz być zaprezentowany w nadchodzącym wydaniu i wspierać tę pracę, dotknij! This issue of the Year of the Graph is brought to you by , , , and . G.V() metaphacts Linkurious cognee Rzeszów V() metafizyków linkujący Cognie Jeśli chcesz być zaprezentowany w nadchodzącym wydaniu i wspierać tę pracę, ! Wyjdź na zewnątrz Announcing the State of the Graph project Ogłoszenie o stanie projektu Graph Kompleksowy i aktualny repozytorium, wizualizacja i analiza wszystkich ofert w przestrzeni technologii grafiki. Już wkrótce, zapraszam na aktualizacje 🙂 Graph is the new star schema Graph to nowy układ gwiazd Przed AI, Malkova nie czuła, że metadane graficzne były pozytywną inwestycją ROI dla jej zespołu - nawet jeśli nigdy nie spojrzeli zbyt blisko. Czy graf naprawdę jest nową gwiazdą? Teraz jednak Malkova zdaje sobie sprawę, że agenci nie mogą być autonomiczni, chyba że dane są zorganizowane jako wykres.Tylko kilka dni po tym, jak Malkova wyraziła to uświadomienie, jej post przyciągnął liderów wykresów, którzy podzielili więcej tła i kontekstu. Jak ją włożyła, Malkova zastanawia się, co by się stało, gdyby wewnętrzni użytkownicy grafu i nowicjusze na nowo wyobrażali sobie swoją pracę, ucząc się od siebie nawzajem. Żyjemy w trzeciej fali wykresów, teraz napędzanej potrzebą dostarczania danych agentom AI. Co mają wspólnego grafiki i schematy gwiazdowe magazynu danych? Są wszechobecne i pomagają odblokować wartość dla organizacji. W przeciwieństwie do schematu gwiazdowego, modele danych grafiki są jednak elastyczne i mogą jednoznacznie modelować semantykę. Innym sposobem – schemat grafiki jest gwiazdą schematów. jako , bez dobrze zdefiniowanych procesów i odpornych architektur, przyspieszenie, które GenAI przynosi, ryzykuje wzmocnienie chaosu zamiast usprawniania przepływów pracy. Charles Betz, wiceprezes, główny analityk w Forrester Kluczem jest budowanie solidnego modelu operacyjnego IT, który integruje GenAI w tkaninę systemów zarządzania.Bazy danych grafów i generacja zwiększona odzyskaniem są podstawowymi technologiami dla tej transformacji. Wykresy reprezentują jednostki i relacje w elastyczny sposób, umożliwiając GenAI rozważanie złożonych krajobrazów danych.Inwestując w infrastrukturę wiedzy opartą na wykresach, organizacje mogą odblokować pełny potencjał sztucznej inteligencji przy jednoczesnym zapewnieniu przejrzystości, identyfikowalności i dostosowania. Matan-Paul Shetrit, dyrektor ds. zarządzania produktami w Writer, posuwa się o krok dalej. W tradycyjnym przedsiębiorstwie koordynacja była ręczna, w przedsiębiorstwie hybrydowym koordynacja staje się programowalna. Wizualizacja grafiki jako warstwy orkiestracji dla firm przyszłości Graf orkiestracji to: dynamiczna, często niewidoczna sieć osób, agentów i systemów połączonych logiką delegacji, łańcuchami wykonania i ścieżkami eskalacji. G.V() is a graph database client and IDE that empowers you through every task: No matter what graph technology you work with, G.V() makes you more productive Pisanie, wykonywanie i profilowanie zapytań Sprawdź swój model danych Poznaj swoje dane dzięki wysokiej wydajności wizualizacji grafiki Dodaj lub edytuj dane na samolocie Jako najbardziej kompatybilny IDE bazy grafiki, G.V() obsługuje ponad 20 narzędzi, w tym Amazon Neptune, Google Spanner Graph, Neo4j i JanusGraph – a teraz z obsługą GQL dla Ultipa Graph. Spróbuj sam i zacznij kwerendy do bazy danych w mniej niż 5 minut: gdziekolwiek.com Graphs power Systems of Intelligence Graphs Power Systemy Inteligencji Grafy ewoluują wraz z GenAI, wpływając na nie, a także podlegając jej wpływowi. Generatywne możliwości sztucznej inteligencji rozwijają się w szybkim tempie, a narzędzia, które staną się dostępne w ciągu najbliższych 2-5 lat, będą transformacyjne. Według Gartner 2025 AI Hype Cycle Inwestycje Al pozostają silne, ale nacisk przesuwa się od hype GenAl do podstawowych innowacji, takich jak dane Al-ready, agenci Al, Al engineering i ModelOps. Szybka ewolucja tych technologii i technik nadal pozostaje niezmieniona, podobnie jak odpowiedni hype, co sprawia, że ten burzliwy krajobraz jest trudny do nawigacji. Te warunki oznaczają, że GenAI nadal jest najwyższym priorytetem dla pakietu C. Grafiki wiedzy są kluczową częścią tego, umieszczone na skraju oświecenia. . Grafiki wiedzy są również podstawą systemów inteligencji Jest to termin określony przez i odwoływane przez SiliconANGLE & theCUBE analityków David Vellante i George Gilbert w ich . Systemy inteligencji Geoffrey Moore Analiza sposobu, w jaki Snowflake porusza się po nowej dynamice konkurencyjnej Systemy inteligencji są podstawą nowoczesnej architektury przedsiębiorstw, ponieważ agenci AI są tylko tak inteligentni, jak stan biznesu przedstawiony w wykresie wiedzy. A unified semantic knowledge graph for Enterprise AGI Zjednoczony wykres wiedzy semantycznej dla Enterprise AGI Vellante and Gilbert also zoom in on the importance of semantics in their analysis of how Zrozumienie strategii polega na rozpoznaniu sposobu, w jaki systemy inteligencji, systemy zaangażowania i systemy agencji tworzą koło: Ali Ghodsi’s data intelligence playbook for Databricks is turning data into agentic advantage Użytkownik ma zamiar podawać semantykę: każde pytanie ostatecznie wzbogaca katalog o bogatszy kontekst, dodając znaczenie do danych, aby inni mogli z niego wyodrębnić więcej wartości. Semantics Feed Agents: Richer context arms agents to make better decisions and ultimately to act autonomously. Agents Create Outcomes: Agents deliver outcomes more effectively aligned with business objectives. Jest to kamień węgielny strategii firmy Data Intelligence.Bez zharmonizowanej, zarządzanej i wzbogaconej semantyki, tablicy kontrolne, agenci lub aplikacje operacyjne nie mogą się zintegrować i funkcjonować. Ali Ghodsi wyjaśnił stawki, nazywając posiadanie semantyki „istniejącym” Celem jest umożliwienie agentom, którzy nie tylko wiedzą, co się stało, ale także mogą wywnioskować, dlaczego, przewidzieć, co będzie dalej i przepisać, co zrobić. Strategiczni myśliciele zdają sobie sprawę z znaczenia posiadania semantyki i Jest to część powodu, dla którego ludzie mówią o warstwach semantycznych – ale czym tak naprawdę jest warstwa semantyczna? Warstwy semantyczne mają znaczenie bardziej niż kiedykolwiek w erze AI Członkowie społeczności Connected Data Sofus Macskássy, Jessica Talisman, Juan Sequeda i Andreas Blumauer . podejście warstw semantycznych z wielu kątów, dzielenie się definicjami i wytycznymi Why AI alone can’t solve all your data problems LLM często "halucynują", ponieważ opierają się na szerokich, statystycznych wzorcach, a nie na unikalnej wiedzy Twojej firmy. Metis to platforma AI oparta na wiedzy, która przekształca odłączone dane w wartość biznesową.Metis umożliwia tworzenie i zarządzanie modelami semantycznymi za pomocą sztucznej inteligencji, projektowanie i wdrażanie niestandardowych agentów konwersacyjnych oraz łączenie narzędzi do podsumowania, wykonywania zapytań i innych. Użyj niezawodnego, wiarygodnego AI, który naprawdę rozumie Twoją działalność. Odkryj Metis już dziś! Defining and building ontologies Definicja i budowanie ontologii Definicja warstw semantycznych może być nazywana meta-semantyką, która jest trochę ironiczna, ale jednocześnie konieczna. precyzyjne definicje są tym, o czym chodzi w semantyce, a przy odnowionym zainteresowaniu i nowicjuszach w tej dziedzinie, zamieszanie, hype i rozgrzane argumenty są nieuniknionymi skutkami ubocznymi. To samo można powiedzieć o ontologii. „Kiedy CTO myśli” ” i eksperci ważą, rozmowa może dostać się dość technicznie dość szybko. inni skupiają się na bardziej praktycznych aspektach, takich jak . Czym jest ontologia czego organizacje mogą się nauczyć od dziecka z plakatem do ontologii w użyciu: Palantir To wskazuje na kolejną nieustannie trwającą rozmowę: nawet przy założeniu, że ludzie zgadzają się na to, czym jest ontologia, jaki jest najlepszy sposób na jej zbudowanie? ? i ? Inżynieria ontologiczna to prawdziwy bałagan Dlaczego zespoły ontologii i architektury danych rozwiązują te same problemy za pomocą różnych języków Palantir ma swoją własną, własną definicję i wdrożenie ontologii. Niektórzy ludzie uważają, że jest to antyprodukcyjne. Standardy takie jak OWL, RDF, SKOS i SHACL istnieją, więc nie ma powodu do ponownego wynalezienia koła. Inni uważają, że podczas gdy interoperacyjność jest dobra, A grupa myśli, że ogranicza ewolucję. Te standardy nie zawsze pasują do celu Rośnie konsensus, że Joe Hoeller twierdzi, że rozwój ontologii jest trudny, ponieważ opiera się na ekspertach, którzy przynoszą głębokie zrozumienie języka operacyjnego, przepływów pracy i terminologii, ale zazwyczaj brakuje formalnego szkolenia potrzebnego do reprezentowania tej wiedzy w rygorystycznych ramach. ontologii, tak trudne, jak mogłyby się rozwijać Ontologie najwyższego poziomu (TLO), takie jak Basic Formal Ontology (BFO), Common Core Ontology (CCO) lub SUMO (Suggested Upper Merged Ontology) są tak rygorystycznymi ramami. . TLOs pomaga z ROI na dwa sposoby Po pierwsze, unikanie ponownego wynalezienia – nie trzeba dyskutować ani odbudowywać podstawowych kategorii dla każdego projektu.Po drugie, gdy domeny muszą współpracować – finansowanie z logistyką, zgodność z operacjami, opieka zdrowotna z ubezpieczeniem – wspólna fundacja dramatycznie obniża koszty integracji. is something that people like Tony Seale have been advocating. Stardog CEO & Founder Kendall Clark claims that . Korzystanie z LLM w celu wspierania rozwoju ontologii budowanie ontologii wykorzystując modele fundamentalne jest „magia”, która działa za pośrednictwem natychmiastowego zawieszenia, symbolicznego wyrównania, formalnego kodowania i iteracyjnej walidacji However, To, twierdzi, opiera się na założeniu, że musimy zbudować wiele ontologii, ponieważ każdy projekt potrzebuje ontologii. CEO i założyciel Semantic Arts Dave McComb kwestionuje ideę, że uzyskanie LLM do stworzenia nawet złej ontologii jest dobrym punktem wyjścia What we need, McComb argues, are orders of magnitude fewer ontologies. You really see the superpowers of ontologies when you have the simplest possible expression of complex concepts in an enterprise. This belief is reflected in , an open-source, business-focused ontology actively developed by Semantic Arts. Its lightweight design and use of everyday terminology has made it a useful tool for kickstarting domain ontology development in a range of areas. . gist gist is now aligned with BFO Bez względu na to, jak zdecydujesz się zbudować swoją ontologię, narzędzia i metodologie, które pomogą, istnieją. Narzędzia takie jak open source i . Introduction to Ontology Engineering Spreadsheet-based Ontology Maker OntoAligner, wszechstronny modułowy i wytrzymały zestaw narzędzi Python do wyrównywania ontologii Sneak peek: Graph visualization and analytics, reimagined for the cloud Założona w 2013 roku, Linkurious pomaga firmom Global 2000 i agencjom rządowym przekształcać złożone, połączone dane w jasne informacje. Linkurious Enterprise Cloud (tylko kilka tygodni od uruchomienia... bądź wśród pierwszych, którzy to wypróbują!) jest najbardziej przyjaznym dla użytkownika, elastycznym i skalowalnym sposobem na zbadanie danych wykresów. Zdobądź wczesny dostęp – dołącz do listy oczekujących na bezpłatną wersję próbną. Getting started with knowledge graphs Zacznij od grafiki wiedzy Warstwa semantyczna zbudowana przy użyciu wykresów wiedzy zwiększa wartość danych, umożliwiając szybsze integrację danych oraz poprawiając jakość danych oraz zaufanie do relacji kontekstowych i wspólnych modeli. Powiedział Sumit Pal. Organizacje muszą przyjąć nowy paradygmat ECL (extract, contextualize, load) zamiast tradycyjnego ETL (extract, transform, load) dla poprawy ROI na AI Po pierwsze, ponieważ twoje dane tabelowe są głupie, nawet jeśli twoja firma nie jest. i po drugie, ponieważ w przeciwieństwie do predykcyjnego (statystycznego) wniosku opartego na LLM, ontologiczne (logiczne) wnioski oparte na grafikach wiedzy są deterministyczne i wyjaśnione. Firmy muszą zakładać swoją AI w grafikach wiedzy Możesz myśleć, że wykresy wiedzy są zbyt skomplikowane do wdrożenia lub że wymagają ogromnych zbiorów danych. Ale nawet jeśli jesteś nowy w grafikach, istnieje wiele zasobów, aby zacząć. Najczęstsze nieporozumienia wokół grafiki wiedzy w » „, Frank Blau oferuje przewodnik do myślenia graficznego. ” series, Paco Nathan shares how to get up to speed on graph fundamentals. Max De Marzi shares . And . Relational to Graph Graph Tech Demystified Graficzne modelowanie Mastery Tips if you are looking to land a Knowledge Graph Engineer role, Thomas Thelen compiled a list of interview questions Budowa wykresu wiedzy brzmi świetnie, ale skakanie zbyt wcześnie bez udzielenia odpowiedzi na niektóre kluczowe pytania podstawowe może prowadzić do marnowania czasu i nadmiernego inżynierii. . 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 przekształca niestrukturyzowane, ustrukturyzowane i półstrukturyzowane dane w wykres wiedzy, który można wyszukiwać, wspierany przez osadzenia. 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 jest źródłem otwartym, z hostowaną wersją – cogwit. Adopting, building and populating knowledge graphs Przyjmowanie, budowanie i populowanie grafiki wiedzy Istnieje więcej osób, które chcą zbudować wykresy wiedzy i więcej narzędzi i podejść do tego niż kiedykolwiek wcześniej. Na SAP, możesz teraz . Może być używany do kodowania bazy RAG, nawigacji kodowej, analizy wpływów i wizualizacji architektury. . Wykorzystaj zapytania semantyczne z wykresem wiedzy SAP HANA Cloud GitLab’s knowledge graph Graph-Code to system RAG oparty na otwartym kodzie graficznym dla dowolnej bazy kodów. 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 najnowsza wersja 0.3 Cognee to modułowe ramy do budowy i odzyskiwania wykresów wiedzy od końca. Wspólny post przez zespoły cognee i Kuzu pokazuje Podobnie, Amber Lennox akcje . how to transform relational data into a knowledge graph how to go from raw data to a knowledge graph with SynaLinks Nie brakuje również samouczek na innych narzędziach. - Gal Shubeli Zacznij od akcji , and Alain Airom . Jak zbudować wykres wiedzy z danych strukturalnych i niestrukturyzowanych przy użyciu FalkorDB i Graphiti Jak wyodrębnić grafiki wiedzy z tekstu za pomocą GPT4o tworzy wykres wiedzy z dokumentów przy użyciu 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. OntoCast is an open source framework for creating knowledge graphs Jest to ramy dla w pełni autonomicznej grafiki budowy wiedzy, która eliminuje potrzebę wstępnie zdefiniowanych schematów. wykorzystuje LLM, aby wyodrębnić wiedzę potrójnych i wywołać kompleksowe schematy bezpośrednio z tekstu. . AutoSchemaKG AutoSchemaKG is cutting edge research, with the code released on GitHub wprowadza na rynek system, który zamienia pliki PDF i pliki tekstowe w wykresy wiedzy. . 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 , który wykorzystuje LLM do automatyzacji najbardziej bolesnej części budowania wykresów wiedzy z tekstu: deduplikowania rekordów. Russel Jurney wprowadza rozwijające się pole rozdzielczości podmiotów semantycznych dla wykresów wiedzy Andrea Volpini dzieli się notatnikiem , 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 Zarejestruj się na rok newslettera Graph Keeping track of all things Graph Year over Year Zarejestruj się na rok newslettera Graph Zarejestruj się na rok newslettera Graph Keeping track of all things Graph Year over Year Knowledge graphs and AI: a two-way street Grafiki wiedzy i AI: dwukierunkowa ulica 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 Jak zauważa Panos Alexopoulos, są to typy . And . Problemy z jakością grafu wiedzy, które utrudniają aplikacje w dół trying to automate knowledge graphs may also end up having unforeseen consequences The authors of “ ” believe that knowledge graphs and LLMs can work together. They show how to model knowledge graphs based on business needs and unstructured text data sources, how to leverage ontologies, taxonomies, structured data, machine learning algorithms and reasoning. Grafiki wiedzy i LLM w działaniu W ramach badań nad interpretowalnością Anthropic wprowadził nową metodę śledzenia „myśli” dużego modelu językowego. , wydając frontend, aby zbadać wykresy. Michael Hunger napisał , and Srijan Shukla . Anthropic open sourced a library that supports the generation of attribution graphs on popular open-weights models Skrypt do importu wykresu json do Neo4j open sourced code to transform Claude’s hidden memory into interactive knowledge graphs In the world of LLMs, the term “context engineering” has been getting traction. jako "budowanie dynamicznych systemów, aby zapewnić odpowiednie informacje i narzędzia w odpowiednim formacie, tak aby LLM mógł prawdopodobnie wykonać zadanie". LangChain’s CEO Harrison Chase defines context engineering As Jérémy Ravenel notes, . 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. kontekst bez struktury jest narracją, a nie wiedzą Inżynieria kontekstowa polega na kurowaniu wejść: wskazówek, pamięci, instrukcji użytkownika, osadzeń. Jest to sztuka ramy. Inżynieria ontologiczna polega na modelowaniu świata: definiowaniu podmiotów, relacji, axiom i ograniczeń, które umożliwiają rozumowanie. Kontekst kieruje uwagą. Wykresy wiedzy wyróżniają się w zapewnianiu strukturalnego, semantycznego kontekstu LLM poprzez zorganizowanie informacji jako wzajemnie połączonych podmiotów i relacji, co czyni je doskonałymi opcjami dla pamięci i odzyskiwania, jak . 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 Podczas gdy książka kuchenna koncentruje się na modelach OpenAI i niektórych innych konkretnych narzędziach, podstawowe ramy i logika są modelowo-agnostyczne i łatwo dostosowywane do innych stosów. OpenAI opublikował praktyczny przewodnik do budowania agentów tymczasowych z wykresami wiedzy Another approach is shared by Fareed Khan in “ “. Khan shows how to create an end-to-end temporal agentic pipeline that transforms raw data into a dynamic knowledge base, and build a multi-agent system to measure performance. Budowanie tymczasowego agenta AI w celu optymalizacji ewolucyjnych baz wiedzy w nowoczesnych systemach RAG . 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. Modelowanie grafu czasowego jest tym, na czym koncentruje się TGM The state of GraphRAG Stan 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. Prawdziwa wartość podejścia graficzno-centricznego staje się jasna, gdy jest stosowana do agentycznej AI GraphRAG is still hot. Neo4j published the and . Avi Chawla shares a Podczas gdy a . claims to decrease RAG retrieval error rate by 67%. Developer’s Guide to Graph RAG Essential GraphRAG book 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 introduces a novel distillation framework that transfers RAG capabilities from LLMs to SLMs through evidence-based distillation and Graph-based structuring. DRAG uses hierarchical clustering to link disparate topic clusters to enhance global reasoning. HiRAG Andreas Kolleger podkreśla , 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 argues . To counter this, Huawei researchers published . GraphRAG doesn’t lack ideas, but it struggles to scale up a pragmatic case study in balancing scalability with reasoning depth in GraphRAG systems Multimodal graphs Multimodalne grafiki 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. multimodal GraphRAG combines structured knowledge representations with deep learning techniques to handle diverse information sources. Multimodal for Knowledge Graphs (MM4KG) w » “, 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 jak Joe McKendrick pisze na ZDNet. bazy danych grafu przewiduje się, że pięcioletni CAGR wynosi 24% - 26% według and , respectively. The overall database market will grow 16% annually. Bazy danych grafu eksplodują, dzięki boomowi AI, Gartner the Business Research Company Ponieważ AI i RAG dały znaczący impuls zarówno dla baz danych graficznych, jak i wektorowych, ludzie próbują ustalić, w jaki sposób te dwa porównują się, a także kiedy i jak używać każdego z nich. 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 Grafiki nie przechowują tylko faktów Baza danych informuje, co jest połączone.Graf wiedzy informuje, dlaczego Po pierwsze, widzieliśmy ujawnienie nie jednego, ale dwóch nowych dostawców w ciągu ostatnich kilku miesięcy. , 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. Neo4j poszedł do HTAP, uruchamiając Infinigraph, nową architekturę graficzną, która ma na celu wyeliminowanie sil między systemami transakcyjnymi i analitycznymi. 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 announced a strategic investment from 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 Integracja z głębokim wyszukiwaniem. 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 Teraz możesz bezpośrednio , thanks to the Ultipa VS Code Extensions. Rozpoczęcie pracy z Graph Query Language (GQL) Uruchamianie zapytań GQL w kodzie VS 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/OWL), SPARQL) oraz . Jacob argues that . tożsamości structure semantics queries Porównaj je z grafikami nieruchomości 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; bridging LPG and RDF frameworks 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 , enabling to transpile domain models into schema definition languages like GraphQL, Avro, SQL, RDF, and Java while preserving semantics. . Netflix ujawnił swoją UDA (Unified Data Architecture) do modelowania raz, reprezentując wszędzie S&P launched its new AI-ready Metadata on the S&P Global Marketplace, with RDF under the hood Ludzie debatują również OWL vs. SHACL. Holger Knublauch, Boris Pelakh, Pete Rivett i Jessica Talisman rozmawiają o tym w , 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 udostępnia przegląd . Veronika Heimsbakk’s book “ ” is open for pre-orders. And Kurt Cagle shows , oraz and . what is coming in SHACL 1.2 SHACL dla praktykującego 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 We have already seen how to approach graph data models and databases coming from the relational world. But » ? ? Co to jest „model fundacji relacyjnej” 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. Podejście Kumo, „relacyjnego głębokiego uczenia się”, obiecuje to zmienić. aby automatycznie reprezentować dowolną relacyjną bazę danych jako pojedynczy, połączony wykres i uczyć się bezpośrednio z tej reprezentacji wykresu. transformer architecture Kumo looks like the first to productize this. However, people in and Pracujemy też nad podobnymi podejściami. 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. Wspólnota danych jest doskonałym miejscem do .The authors of the niedawno dodano nowy rozdział na wykresy. Jure Leskovec akcje . introduction to Graph Learning and GNNs Geometric Deep Learning podręcznik Co każdy naukowiec powinien wiedzieć o transformatorach graficznych i ich wpływie na dane strukturalne Wrapping up from the world of graph AI with more new releases. PyG (PyTorch Geometric) is a library built upon PyTorch to easily write and train Graph Neural Networks for a wide range of applications related to structured data. PyG znacząco się rozwinął od swojego pierwszego wydania, stając się wiodącą platformą dla sieci neuronowych Graph. 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 Przełom Chudnowskiego w shows how abstract math creates real-world solutions. profile on Maria Chudnovsky, the “superstar mathematician” who solved a 40-year-old puzzle about perfect graphs 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. Coś, co ludzie myśleli, że naprawdę nie można poprawić w znaczący sposób. Naukowcy znaleźli szybszy sposób uruchomienia najkrótszego algorytmu drogi Dijkstry Travis Thompson claims . Alexander Stage notes that this a . this transfers well into the way data products are built and consumed great theory milestone, but production routing already “changed the rules” years ago with preprocessing and smart graph engineering Miklós Molnár informuje o pracy Szegedy Balázs . 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 Zarejestruj się na rok newslettera Graph Śledzenie wszystkich rzeczy Graph Rok po roku Zarejestruj się na rok newslettera Graph Zarejestruj się na rok newslettera Graph Śledzenie wszystkich rzeczy Graph Rok po roku
