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? V procese prepojenia s Ako rečníci, sme sa ocitli zapojení do rozhovorov, ktoré odrážajú a vypracúvajú o pôvode a vývoji komunity a technológie, na ktorej sa konverguje: Knowledge Graphs, Graph Analytics, AI, Data Science, Databases a Semantic Technology. Connected Data Londýn 2025 Spôsob, akým sme to opísali, bol – jadro raných adoptérov, ktorí boli okolo toho, čo by mohlo byť viac ako desať rokov, plus rastúci segment nováčikov, ktorí narazili na grafy vyvolané buď GenAI, alebo realizáciou, že graf je najlepší spôsob, ako modelovať pripojenie. V súčasnosti existuje viac dátových bodov, ktoré sa majú pripojiť ako kedykoľvek predtým, existuje tiež viac pripojení, ktoré sa robia rýchlejšie ako kedykoľvek predtým a ľudia si uvedomujú a využívajú dôležitosť týchto pripojení viac ako kedykoľvek predtým. Všetko je prepojené. Grafy existujú pre modelové pripojenia. Preto sú grafy všade To je dôvod, prečo existuje explózia v adopcii, vedenie myslenia, nástroje, funkcie, aplikácie a metodiky okolo grafov. , a cielený prístup ku kúre sa nezmenil, je to doteraz najdlhšia otázka. Uplynuli len tri mesiace od predchádzajúceho Táto otázka sa týka všetkých – od nováčikov až po odborníkov, od strategických mysliteľov a modelárov až po inžinierov a vedcov.Od podpory grafov na platformách Microsoft Azure, GitLab, Netflix, S&P a SAP až po sémantiku a agentov na Databricks a Snowflake, ontológie, znalostné grafy a AI, grafické transformátory a vedecké objavy. 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 Londýn 2025 od 20. do 21. novembra Tabuľka obsahov 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 , , , and . Čiže v( Metastázy Linky Kôň Ak chcete byť prezentovaní v nadchádzajúcom vydaní a podporovať túto prácu, vyhľadajte! This issue of the Year of the Graph is brought to you by , , , and . G.V() metaphacts Linkurious cognee Čiže v( Metastázy Linky Kôň Ak chcete byť prezentovaní v nadchádzajúcom vydaní a podporovať túto prácu, vyhľadajte! Announcing the State of the Graph project Oznámenie projektu Stav grafu Komplexné a aktuálne úložisko, vizualizácia a analýza všetkých ponúk v grafickom technologickom priestore. 👉 Prichádza čoskoro. Prihláste sa na aktualizácie tu Graph is the new star schema Graph je nová hviezdna schéma Irina Malkova, viceprezidentka pre produktové dáta a umelú inteligenciu v Salesforce, si to myslí.Pred AI Malkova nemala pocit, že grafové metadáta boli pre jej tím pozitívnou investíciou ROI – aj keď sa nikdy príliš nepozreli. Je graf skutočne nová hviezdna schéma? Teraz si však Malkova uvedomuje, že agenti nemôžu byť autonómni, pokiaľ údaje nie sú štruktúrované ako graf. Len niekoľko dní po tom, čo Malkova vyjadrila toto uvedomenie, jej príspevok prilákal lídrov grafu, ktorí zdieľali viac pozadia a kontextu. ako ju dáva, Malkova sa pýta, aké by to bolo, keby sa všetci hráči v grafe a nováčikovia premenili na svoju prácu tým, že sa od seba navzájom učia. prežívame tretiu vlnu grafov, teraz poháňanú potrebou podávať dáta agentom AI Sú všadeprítomné a pomáhajú odomknúť hodnotu pre organizácie. Na rozdiel od hviezdneho schémy sú však grafické dátové modely flexibilné a môžu jednoznačne modelovať sémantiku. ako , bez dobre definovaných procesov a odolných architektúr, zrýchlenie, ktoré GenAI prináša, riskuje zosilnenie chaosu namiesto zjednodušenia pracovných postupov. Charles Betz, viceprezident, hlavný analytik spoločnosti Forrester poznámky Kľúčom je vybudovať robustný operačný model IT, ktorý integruje GenAI do tkaniny manažérskych systémov. Grafové databázy a generácia s rozšírením vyhľadávania sú základnými technológiami pre túto transformáciu. Grafy predstavujú entity a vzťahy flexibilne, čo umožňuje GenAI uvažovať v komplexných dátových krajinách.Investovaním do infraštruktúry vedomostí založenej na grafoch môžu organizácie odomknúť plný potenciál umelej inteligencie a zároveň zabezpečiť transparentnosť, vysledovateľnosť a zosúladenie. Matan-Paul Shetrit, riaditeľ produktového manažmentu v spoločnosti Writer, to robí o krok ďalej. V tradičnom podniku bola koordinácia manuálna, v hybridnom podniku sa koordinácia stala programovateľnou. vnímanie grafov ako orchestrácie pre firmy budúcnosti Orchesterizačný graf je: dynamická, často neviditeľná sieť ľudí, agentov a systémov prepojených logikou delegácie, krúžkami vykonávania a cestami eskalácie. G.V() je grafický databázový klient a IDE, ktorý vám umožní vykonať každú úlohu: No matter what graph technology you work with, G.V() makes you more productive Napísať, vykonať a profilovať dotazy Skontrolujte svoj dátový model Preskúmajte svoje dáta s vysoko výkonnou grafickou vizualizáciou Pridanie alebo úprava údajov v lietadle Ako najrozsiahlejšie kompatibilný graf databázy IDE, G.V() podporuje viac ako 20 nástrojov, vrátane Amazon Neptune, Google Spanner Graph, Neo4j, a JanusGraph – a teraz s GQL podporu pre Ultipa Graph. Vyskúšajte to sami a začnite dotazovať vašu databázu za menej ako 5 minút: gdotv.com Graphs power Systems of Intelligence Graphs Power Systémy inteligencie Grafy sa vyvíjajú spolu s GenAI, ovplyvňujúc a ovplyvňujúc ho. Generatívne schopnosti AI sa vyvíjajú rýchlym tempom a nástroje, ktoré budú k dispozícii v priebehu nasledujúcich 2 až 5 rokov, budú transformatívne. According to the Gartner 2025 AI Hype Cycle Investície Al zostávajú silné, ale zameranie sa pohybuje od hype GenAl k základným inováciám, ako sú Al-ready data, Al agenti, Al engineering a ModelOps. Rýchly vývoj týchto technológií a techník pokračuje nezmenšený, rovnako ako zodpovedajúci hype, čo robí túto turbulentnú krajinu ťažko navigovateľnou. Tieto podmienky znamenajú, že GenAI naďalej zostáva hlavnou prioritou pre C-suite.Knowledge Graphs sú kľúčovou súčasťou tohto procesu, umiestnený na svahu osvietenstva. . Grafy vedomostí sú tiež základom pre systémy inteligencie je termín, ktorý sa používa na a referované SiliconANGLE & theCUBE analytici David Vellante a George Gilbert v ich . Systémy inteligencie Geoffrey Mooreová analýza toho, ako Snowflake naviguje v novej konkurenčnej dynamike Systémy inteligencie sú základom modernej podnikovej architektúry, pretože agenti AI sú len takí inteligentní ako stav podnikania znázornený v znalostnom grafe. A unified semantic knowledge graph for Enterprise AGI A unified semantic knowledge graph for Enterprise AGI Vellante a Gilbert tiež priblížili dôležitosť sémantiky vo svojej analýze toho, ako Pochopenie stratégie spočíva v rozpoznaní toho, ako systémy inteligencie, systémy zapojenia a systémy agentúr vytvárajú koleso: Ali Ghodsi's Data Intelligence Playbook pre Databricks premieňa dáta na agentúrnu výhodu Používateľský úmysel podáva sémantiku: Každá otázka nakoniec obohacuje katalóg s bohatším kontextom, pričom dáva dátam zmysel, aby z neho mohli extrahovať viac hodnoty. Semantics Feed Agents: bohatší kontext zbraní agentov, aby lepšie rozhodnutia a nakoniec konať autonómne. Agent vytvára výsledky: Agent poskytuje výsledky efektívnejšie v súlade s obchodnými cieľmi. Toto je základný kameň stratégie spoločnosti Data Intelligence.Bez harmonizovanej, riadené a obohatené sémantiky, ovládacie panely, agenti, alebo operačné aplikácie nemôžu integrovať a fungovať. Ali Ghodsi urobil stávky jasné a nazval vlastníctvo sémantiky „existenciálnym“ Cieľom je umožniť agentom, ktorí nielen vedia, čo sa stalo, ale môžu tiež odvodzovať prečo, predpovedať, čo bude ďalej a predpísať, čo robiť.Toto je svätý grál podnikovej AI – základ pre „Enterprise AGI“. Strategickí myslitelia si uvedomujú dôležitosť vlastnenia sémantiky a To je časť dôvodu, prečo ľudia hovoria o sémantických vrstvách – ale čo je v skutočnosti sémantická vrstva? Semantické vrstvy sú dôležitejšie ako kedykoľvek predtým v ére AI Členovia komunity Connected Data Sofus Macskássy, Jessica Talisman, Juan Sequeda a Andreas Blumauer . prístup k sémantickým vrstvám z mnohých uhlov, zdieľanie definícií a usmernení 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 je znalostná AI platforma, ktorá premieňa odpojené dáta na obchodnú hodnotu.S metis môžete vytvárať a spravovať sémantické modely s AI, navrhovať a nasadzovať vlastné konverzačné agenty a kombinovať nástroje na zhrnutie, vykonávanie dotazov a ďalšie. Use reliable, trustworthy AI that truly understands your business. Objavte metis dnes! Defining and building ontologies Defining and building ontologies Definovanie sémantických vrstiev by sa dalo nazvať meta-semantika, čo je trochu ironické, ale zároveň nevyhnutné. presné definície je to, o čom je semantika, a s obnoveným záujmom a nováčikmi v tejto oblasti, zmätok, hype a horúce argumenty sú nevyhnutné vedľajšie účinky. To isté možno povedať o ontológii. keď CTOs premýšľať “ "A odborníci vážia, rozhovor sa môže dostať celkom technicky pomerne rýchlo. iní sa zameriavajú na viac praktických aspektov, ako sú . Čo je ontológia Čo sa organizácie môžu naučiť od plagátu dieťa pre ontológiu v používaní: Palantir This points towards another perpetually ongoing conversation: even assuming people agree on what an ontology is, what is the best way to build one? Is a ? Ontologické inžinierstvo je skutočný neporiadok Prečo tímy ontológie a dátovej architektúry riešia rovnaké problémy s rôznymi jazykmi Palantir has its own, proprietary definition and implementation of ontology. Some people believe that this is counter-productive. Standards such as OWL, RDF, SKOS and SHACL exist, so there is no reason to reinvent the wheel. Others think that while interoperability is good, A skupina si myslí, že evolúcia obmedzuje. Tieto štandardy nie sú vždy vhodné na účel There is growing consensus that Joe Hoeller tvrdí, že vývoj ontológie je ťažký, pretože sa spolieha na odborníkov na predmety, ktorí prinášajú hlboké pochopenie operačného jazyka, pracovných postupov a terminológie, ale zvyčajne chýbajú formálne školenia potrebné na reprezentáciu týchto znalostí v prísnych rámcoch. ontológie záležitosť, ťažké, ako môžu byť rozvíjať Ontológie najvyššej úrovne (TLO) ako je základná formálna ontológia (BFO), spoločná základná ontológia (CCO) alebo SUMO (Suggested Upper Merged Ontology) sú takéto prísne rámce. . TLOs help with ROI in two ways Po prvé, vyhýbanie sa reinvencii – nemusíte diskutovať alebo prestavovať základné kategórie pre každý projekt.Po druhé, keď domény potrebujú spolupracovať – financovanie s logistikou, dodržiavanie operácií, zdravotná starostlivosť s poistením – zdieľaná nadácia dramaticky znižuje náklady na integráciu. Je to niečo, čo ľudia ako Tony Seale obhajujú. CEO a zakladateľ spoločnosti Stardog Kendall Clark tvrdí, že . Používanie LLM na podporu vývoja ontológie Stavebné ontológie využívajúce základné modely sú „magické“, ktoré fungujú prostredníctvom rýchleho vyrovnávania, symbolického zarovnania, formálneho kódovania a iteratívnej validácie Avšak . This, he claims, is premised on the assumption that we need to build a lot of ontologies, as every project needs an ontology. CEO a zakladateľ Semantic Arts Dave McComb spochybňuje myšlienku, že získanie LLM na vytvorenie dokonca aj škaredej ontológie je dobrým východiskovým bodom Čo potrebujeme, tvrdí McComb, sú poradia veľkosti menej ontológií. Naozaj vidíte supermoci ontológií, keď máte najjednoduchší možný výraz komplexných konceptov v podniku. Toto presvedčenie sa prejavuje v , 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. . včera gist je teraz v súlade s BFO Bez ohľadu na to, ako sa rozhodnete vybudovať svoju ontológiu, nástroje a metodiky na pomoc existujú. Nástroje ako Open Source a . Úvod do Ontologického inžinierstva Spreadsheet-based Ontology Maker OntoAligner, komplexný modulárny a robustný Python Toolkit pre ontologické zarovnanie Sneak peek: Graph visualization and analytics, reimagined for the cloud Spoločnosť Linkurious bola založená v roku 2013 a pomáha spoločnostiam Global 2000 a vládnym agentúram premeniť komplexné prepojené dáta na jasné poznatky. 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. 🙂 🙂 Získajte skorý prístup – pridajte sa k čakárni na bezplatnú skúšobnú verziu. Getting started with knowledge graphs Getting started with knowledge graphs Semantická vrstva postavená pomocou znalostných grafov zvyšuje vlastnú hodnotu údajov tým, že umožňuje rýchlejšiu integráciu údajov a zlepšuje kvalitu údajov a dôveru v kontextuálne vzťahy a zdieľané modely. Hovorí Sumit Pal. organizácie potrebujú prijať novú paradigmu ECL (extract, contextualize, load) namiesto tradičného ETL (extract, transform, load) pre zlepšenie ROI na 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. Podniky musia založiť svoju AI v znalostných grafoch Môžete si myslieť, že znalostné grafy sú príliš zložité na implementáciu, alebo že potrebujú masívne dátové súbory. that Vasilije Markovic tries to address. But even if you are new to graphs, there are lots of resources to get you started. Bežné mylné predstavy okolo znalostných grafov In “ “, Frank Blau offers a guide to Graph Thinking. In the “ Seriál, Paco Nathan zdieľa, ako sa dostať na rýchlosť na graph fundamentals. a . Relational to Graph Graph Tech Demystified Graph modelovanie mastery tipy ak hľadáte úlohu inžiniera znalostného grafu, Thomas Thelen zostavil zoznam otázok na rozhovor Vytvorenie grafu vedomostí znie skvele, ale skákanie príliš skoro bez odpovede na niektoré kľúčové základné otázky môže viesť k plytvaniu časom a nadmernému inžinierstvu. . 15 otázok, ktoré vám pomôžu začať inteligentne, či už budujete jednoduchý interný graf alebo plánujete komplexný systém poháňaný GenAI Implementácia grafu znalostí podniku je viacfázová cesta.Keďže sa projekty pohybujú od počiatočného dôkazu koncepcie k plne produkčnému grafu s viacerými doménami, náklady sa hromadia. . Joe Hoeller rozdeľuje typické fázy (PoC, pilotné a úplné nasadenie podniku) a náklady spojené s každým z nich 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 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 Prijímanie, budovanie a populovanie grafov vedomostí 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. Na SAP, môžete teraz . can be used for codebase RAG, code navigation, impact analysis and architecture visualization. . use semantic querying with the SAP HANA Cloud knowledge graph GitLab’s knowledge graph Graph-Code is an open source graph-based RAG system for any codebase Synalinks je Keras-založený neuro-symbolický rámec, ktorý premostí medzeru medzi neurálnymi sieťami a symbolickým uvažovaním. Ponúka optimalizovanú a obmedzenú extrakciu a vyhľadávanie grafov vedomostí, integráciu s agentmi, podporu Neo4j, generovanie dotazov Cypher a automatické zarovnanie entít. SynaLinks najnovšie vydanie 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 Podobne ako Amber Lennox . 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 Zdieľať Thu Hien Vu akcie , and 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 (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 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 je špičkový výskum, s kódom prepusteným na GitHub markets a system that turns PDFs and text files into knowledge graphs. . Modrá morfa 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 , a Prashanth Rao ponúka . preskúmanie rozlíšenia a extrakcie sémantických entít pomocou DSPy a novej knižnice LangExtract od spoločnosti Google a gentle introduction to DSPy for graph data enrichment Subscribe to the Year of the Graph Newsletter Sledovanie všetkých vecí Graf Rok za rokom Subscribe to the Year of the Graph Newsletter Subscribe to the Year of the Graph Newsletter Sledovanie všetkých vecí Graf Rok za rokom Knowledge graphs and AI: a two-way street Vedomostné grafy a AI: obojsmerná 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 Ako poznamenáva Panos Alexopoulos, tieto typy . And . knowledge graph quality issues that hamper downstream applications Pokúšanie sa automatizovať grafy vedomostí môže mať aj nepredvídateľné dôsledky. The authors of “ Ukazujú, ako modelovať grafy vedomostí na základe obchodných potrieb a nestrukturovaných textových zdrojov údajov, ako využiť ontológie, taxonómiu, štruktúrované dáta, algoritmy strojového učenia a uvažovanie. 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 Srijan Šukla . Anthropic open sourced a library that supports the generation of attribution graphs on popular open-weights models script to import the graph json into 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. as “building dynamic systems to provide the right information and tools in the right format such that the LLM can plausibly accomplish the task”. Generálny riaditeľ spoločnosti LangChain Harrison Chase definuje kontextové inžinierstvo Ako poznamenáva 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. context without structure is narrative, not knowledge Kontextové inžinierstvo je o kúrení vstupov: výzvy, pamäť, užívateľské pokyny, vkladanie. Je to umenie rámovania. Ontologické inžinierstvo je o modelovaní sveta: definovanie entít, vzťahov, axiómov a obmedzení, ktoré umožňujú uvažovanie. Kontext vedie pozornosť. Vedomostné grafy vynikajú v poskytovaní štruktúrovaného, sémantického kontextu pre LLM organizovaním informácií ako vzájomne prepojených entít a vzťahov, čo z nich robí skvelé možnosti pre pamäť a zber, ako . Knowledge graphs backed by ontologies are the ultimate context layer for LLMs Anthony Alcaraz poznámky Agentic knowledge graph construction and temporal graphs Agentické znalostné grafy a časové grafy Myšlienka Anthony Alcaraz podporuje na základe tutoriálu Andrew Ng a Andreas Kolleger je nasadiť pracovnú silu AI agenta, zaobchádzať s AI ako s návrhárom, nie len s činiteľom, a používať 3-dielnu architektúru grafu na rozšírenie ľudí namiesto ich nahradenia. Grafická znalostná konštrukcia 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 Spoločnosť Google Cloud vydala službu Google Agentspace, ktorá poskytuje jedinú platformu na vytváranie, riadenie a prijímanie agentov AI pre jednotlivcov, tímy a podniky. . 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 Ďalší prístup je zdieľaný Fareed Khan v “ “. 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. 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. Modelovanie časových grafov je to, na čo sa TGM zameriava 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. Zatiaľ čo dôkazy o rozšírenom prijatí sú vzácne, vyvíjajú sa aplikácie s perspektívou.V systémoch agentickej AI sa graf vyvíja z jednoduchého zdroja údajov na vyhľadávanie do základnej mapy na uvažovanie a koordináciu. , 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 shares a , while a . Tvrdí, že zníži mieru chýb pri vyhľadávaní RAG o 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 Antropický kontextový retrieval There are more new GraphRAG variants too. HippoRAG berie náznaky z mozgu na zlepšenie získavania LLM. Graph-R1 kombinuje GraphRAG s Reinforcement Learning. DRAG predstavuje nový destilačný rámec, ktorý prenáša schopnosti RAG z LLM na SLM prostredníctvom destilácie založenej na dôkazoch a štruktúry založenej na grafe. uses hierarchical clustering to link disparate topic clusters to enhance global reasoning. HiRAG Andreas Kolleger zdôrazňuje , a Ben Lorica zdieľa . 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 Multimodal graphs 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-čokoľvek 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) 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. Multimodálny grafický model veľkého jazyka 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 Celkový trh s databázami bude rásť o 16% ročne. Graph databázy explodujú, vďaka AI boom, Gartner the Business Research Company Keďže umelá inteligencia a RAG výrazne posilnili grafy aj vektorové databázy, ľudia sa snažia zistiť, ako sa tieto dve porovnávajú a kedy a ako používať každú z nich. Andrej 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 Graphs don’t just store facts Databáza vám povie, čo je prepojené. znalostný graf vám povie prečo 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 , nízko latenčný grafický databázový engine v pamäti, je teraz otvorený pre skorý prístup. Tentris TuringDB Existing graph database vendors are making progress too. Neo4j vstúpil do HTAP spustením Infinigraph, novej architektúry grafov, ktorá sa zameriava na odstránenie dátových sil medzi transakčnými a analytickými systémami. Amazon Neptune 1.4.5 predstavil vylepšenia motora a podporu pre inštancie r8g založené na AWS Graviton. , 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 Kuzu v0.11.0 bol vydaný, ktorý prináša databázy s jedným súborom, vylepšenia vektorových a úplných indexov vyhľadávania a novú podporu pre LLM. . 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 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) spustenie GQL dotazov v VS kóde 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 alebo OWL) (Sparql) a . Jacob argues that . identity structure Semantickej queries Porovnajte ho s nehnuteľnosťami major enterprises are discovering they’ve been rebuilding RDF piece by piece and Atanas Kiryakov has a go at Zaujímavé informácie v sekcii komentáre , Enterprise Knowledge share ways to manage and apply a selection of these frameworks to meet enterprise needs. Ora Lassila agrees, rozptýliť mestské mýty o RDF a vysvetliť, ako ontológie pomáhajú 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 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 Michael Iantosca tvrdí, že . 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 “ » je otvorený pre predobjednávky. a Kurt Cagle ukazuje , and and . what is coming in 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 Už sme videli, ako pristupovať k grafickým dátovým modelom a databázam pochádzajúcim z relačného sveta. ’? 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 looks like the first to productize this. However, people in and Pracujú aj na podobných riešeniach. 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. Spoločnosť Connected Data je skvelým miestom pre .The authors of the nedávno pridali novú kapitolu na grafy. Jure Leskovec akcie . → introduction to Graph Learning and GNNs Geometric Deep Learning textbook what every data scientist should know about Graph Transformers and their impact on structured data 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 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 je komplexná aktualizácia . It is a PyTorch-based framework that provides a flexible and modular architecture for building and training GNN models for anomaly detection. GraGOD je moderný prístup k detekcii anomálií časových radov pomocou techník GNN 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 V neposlednom rade, pokrok na vedeckej fronte pre grafy. začať s Chudnovskyho úspech v 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. : 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 . this transfers well into the way data products are built and consumed Veľká teória míľnik, ale výroba smerovanie už "zmenil pravidlá" pred rokmi s predbežným spracovaním a inteligentné grafové inžinierstvo Miklós Molnár reports on Szegedy Balázs’ work on Výsledky poukazujú na platónsku hypotézu reprezentácie, podľa ktorej sa neurónové siete zbiehajú do zdieľaného štatistického modelu reality. . training neural networks with identical architectures Zastúpenie grafov Prihláste sa na rok grafického newslettera Sledovanie všetkých vecí Graf Rok za rokom Subscribe to the Year of the Graph Newsletter Prihláste sa na rok grafického newslettera Sledovanie všetkých vecí Graf Rok za rokom
