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? У процесі спілкування з Говорячи, ми виявили, що займаємося розмовами, що відображають та розробляють походження та еволюцію спільноти та технологій, на яких вона збігається: графіки знань, графічна аналітика, штучний інтелект, наука про дані, бази даних та семантичні технології. Зв'язані дані Лондон 2025 Спосіб, яким ми його описали, був - ядро ранніх прийомників, які були навколо того, що може бути більше десятиліття, плюс зростаючий сегмент новачків, які зіткнулися з графами, запропонованими або GenAI, або усвідомленням того, що граф є найкращим способом моделювання підключеності. Сьогодні існує більше точок даних для підключення, ніж коли-небудь раніше, а також більше підключень, зроблених швидше, ніж коли-небудь раніше, і люди усвідомлюють та використовують важливість цих підключень більше, ніж будь-коли раніше. Все пов'язано.Графи існують для модельних з'єднань.Ось чому графи є скрізь Ось чому відбувається вибух у прийнятті, керівництві думкою, інструментах, функціях, додатках та методологіях навколо графіків. , і цілеспрямований підхід до куріння не змінився, це найдовша проблема на сьогоднішній день. Минуло лише три місяці з моменту попереднього Ця проблема стосується всіх – від новачків до експертів, від стратегічних мислителів і моделістів до інженерів і вчених.Від підтримки графіків на Microsoft Azure, GitLab, Netflix, S&P і SAP, до семантики та агентів на Databricks і Snowflake, онтологій, графіків знань та AI, графічних трансформаторів та наукових проривів. 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 Підключені дані Лондон 2025 20-21 листопада Таблиця контенту 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 Цей номер року Графа приносить вам G.V(), Metaphacts, Linkurious і cognee. Якщо ви хочете бути представлені в майбутньому випуску і підтримувати цю роботу, зверніться! This issue of the Year of the Graph is brought to you by , , , and . G.V() metaphacts Linkurious cognee Г. В) Метафакти Лінкольн коньяк Якщо ви хочете бути представлені в майбутньому випуску і підтримувати цю роботу, ! Досягти Announcing the State of the Graph project Оголошення проекту State of the Graph Комплексний і оновлений репозиторій, візуалізація та аналіз всіх пропозицій в графічному технологічному просторі. Очікується, що найближчим часом, підпишіться на оновлення Graph is the new star schema Граф - нова зіркова схема Ірина Малькова, віце-президент з продуктів та інтелектуального інтелекту в Salesforce, вважає, що до AI Малькова не відчувала, що графічні метадані були позитивною інвестицією для її команди, хоча вони ніколи не дивилися занадто близько. Чи справді граф є новою зірковою схемою? Тепер, однак, Малькова розуміє, що агенти не можуть бути автономними, якщо дані не структуровані як графік. Як вона її виклала, Малькова дивується, що було б, якби графічні інсайдери і новачки всі переосмислили свою роботу, навчаючись один від одного. Ми живемо через третю хвилю графіків, тепер керуючись необхідністю подавати дані агентам AI. Що спільного мають графіки і схема зірок складських даних? Вони є повсюдними, і вони допомагають розблокувати цінність для організацій. На відміну від схеми зірок, однак, графічні моделі даних гнучкі і можуть однозначно моделювати семантику. Як Без чітко визначених процесів і стійких архітектур прискорення, яке приносить GenAI, ризикує посилити хаос, а не спростити робочі процеси. Чарльз Бетц, віце-президент, головний аналітик Forrester The key lies in building a robust IT operating model that integrates GenAI into the fabric of management systems. Graph databases and retrieval-augmented generation are foundational technologies for this transformation. Графи представляють суб'єкти та відносини гнучко, дозволяючи GenAI обговорювати складні ландшафти даних. Інвестуючи в інфраструктуру знань на основі графіків, організації можуть розблокувати повний потенціал штучного інтелекту, забезпечуючи при цьому прозорість, відстежуваність та узгодження. Матан-Поль Шетріт, директор з управління продуктами в Writer, робить цей крок далі. У традиційному підприємстві координація була ручною, а в гібридному - програмованою. Уявлення про графіки як оркестраційний шар для фірм майбутнього Це переосмислює графік org. Це більше не первинна карта того, як відбувається робочий процес. Графік оркестрації: динамічна, часто невидима мережа людей, агентів і систем, пов'язаних логікою делегації, ланцюгами виконання та шляхами ескалації. G.V() - це графічний клієнт бази даних і IDE, який дозволяє вам пройти через кожне завдання: No matter what graph technology you work with, G.V() makes you more productive Напишіть, виконайте та профіль запитів Перевірте свою модель даних Досліджуйте свої дані за допомогою високопродуктивної візуалізації графіків Додати або редагувати дані на літаку Як найбільш сумісний IDE для графічних баз даних, G.V() підтримує понад 20 інструментів, включаючи Amazon Neptune, Google Spanner Graph, Neo4j і JanusGraph – і тепер з підтримкою GQL для Ultipa Graph. Спробуйте це самі і починайте запитувати вашу базу даних менш ніж за 5 хвилин: ГДТВ.com Graphs power Systems of Intelligence Графічні силові системи інтелекту Графи розвиваються поряд з GenAI, впливаючи на нього, а також перебуваючи під його впливом. Генеративні можливості штучного інтелекту розвиваються швидкими темпами, а інструменти, які стануть доступними протягом наступних 2-5 років, будуть трансформаційними. Згідно з Gartner 2025 AI Hype Cycle Інвестиції Al залишаються сильними, але акцент зміщується від GenAl hype до фундаментальних інновацій, таких як Al-ready data, Al-agents, Al engineering і ModelOps. Швидка еволюція цих технологій і методів продовжується безперервно, як і відповідний hype, що робить цей бурхливий ландшафт важким для навігації. Ці умови означають, що GenAI продовжує бути головним пріоритетом для C-suite. Знання графіки є ключовою частиною цього, позиціонування на схилі просвітництва. . Графи знань також є основою для систем інтелекту Це термін, що використовується Аналітики SiliconANGLE & theCUBE Девід Велланте і Джордж Гілберт . Системи розвідки Джеффрі Мур аналіз того, як Snowflake керує новою конкурентною динамікою Systems of Intelligence are the linchpin of modern enterprise architecture because AI agents are only as smart as the state of the business represented in the knowledge graph. If a platform controls that graph, it becomes the default policymaker for “why is this happening, what comes next, and what should we do?” A unified semantic knowledge graph for Enterprise AGI Єдиний графік семантичних знань для Enterprise AGI Велланте і Гілберт також розглянули важливість семантики у своєму аналізі того, як . Understanding the strategy lies in recognizing how Systems of Intelligence, Systems of Engagement, and Systems of Agency create a flywheel: Алі Годсі іграшка з розвідки даних для Databricks перетворює дані в перевагу агентів Намір користувача поширює семантику: Кожне запитання в кінцевому підсумку збагачує каталог з більш багатим контекстом, додаючи сенс даним, щоб інші могли витягувати з нього більше цінності. Семантика харчування агентів: Більш багатий контекст озброєння агентів, щоб приймати кращі рішення і в кінцевому підсумку діяти автономно. Агенти створюють результати: Агенти забезпечують результати більш ефективно у відповідності з бізнес-цілями. Без гармонізованої, регульованої та збагаченої семантики, панелі приладів, агенти або операційні програми не можуть інтегруватися і функціонувати. Алі Годсі чітко висловив свою позицію, назвавши володіння семантикою «екзистенційним». Мета полягає в тому, щоб забезпечити агентів, які не тільки знають, що сталося, але також можуть виводити висновки, передбачати, що буде далі і призначати, що робити.Це святий Грааль корпоративного AI - фундамент для "Enterprise AGI". Стратегічні мислителі усвідомлюють важливість володіння семантикою, і Це частина причини, чому люди говорять про семантичні шари - але що таке семантичний шар, насправді? Семантичні шари мають більше значення, ніж будь-коли в епоху AI Члени спільноти Connected Data Sofus Macskássy, Jessica Talisman, Juan Sequeda та Andreas Blumauer . підхід до семантичних шарів з безлічі кутів, обмін визначеннями та рекомендаціями 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 є платформою інтелектуального інтелекту, заснованою на знаннях, яка перетворює відключені дані на бізнес-цінність.За допомогою Metis ви можете створювати та керувати семантичними моделями за допомогою інтелектуального інтелекту, розробляти та впроваджувати індивідуальні розмовні агенти, а також поєднувати інструменти для підсумовування, виконання запитів та багато іншого. Використовуйте надійний, надійний AI, який дійсно розуміє ваш бізнес. Відкрийте метис сьогодні! Defining and building ontologies Defining and building ontologies Визначення семантичних шарів можна назвати мета-семантикою, яка трохи іронічна, але в той же час необхідна. точні визначення - це те, про що йде семантика, і з поновленим інтересом і новачками в цій галузі, плутанина, гарячі аргументи і гарячі аргументи є неминучими побічними ефектами. Те ж саме можна сказати про онтологію.Коли CTO думають “. "І експерти вважають, що розмова може бути досить технічною, а інші зосереджуються на більш практичних аспектах, таких як: . what is an ontology що організації можуть навчитися від дитячого плаката для онтології у використанні: Palantir Це вказує на ще одну безперервну розмову: навіть припускаючи, що люди погоджуються з тим, що таке онтологія, який найкращий спосіб побудувати її? І ? Онтологічна інженерія дійсно плутає why are ontology and data architecture teams solving the same problems with different languages Palantir має своє власне, власне визначення та реалізацію онтології. Деякі люди вважають, що це контрпродуктивне. Стандарти, такі як OWL, RDF, SKOS і SHACL існують, тому немає ніяких підстав для переосмислення колеса. Інші вважають, що хоча сумісність хороша, , and group think limits evolution. Ці стандарти не завжди підходять для цілей Зростає консенсус про те, що Джо Хеллер стверджує, що розробка онтології складна, тому що вона спирається на експертів з предметних питань, які приносять глибоке розуміння операційної мови, робочих процесів та термінології, але зазвичай не мають формальної підготовки, необхідної для представлення цих знань у строгих рамках. Онтології матерії, важко, як вони можуть бути розвиватися Онтології верхнього рівня (TLOs), такі як Basic Formal Ontology (BFO), Common Core Ontology (CCO), або SUMO (Suggested Upper Merged Ontology) є такими суворими рамками. . TLOs допомагає з ROI двома способами По-друге, коли домени повинні взаємодіяти – фінансування з логістикою, відповідність операціям, охорона здоров’я з страхуванням – спільний фонд значно знижує вартість інтеграції. Це те, що люди, такі як Тоні Сілл, виступають за. CEO і засновник Stardog Кендалл Кларк стверджує, що . Використання LLM для підтримки розвитку онтології Будівництво онтологій, що використовують фундаментальні моделі, є «магією», яка працює за допомогою швидкого склеювання, символічного вирівнювання, формального кодування та ітеративної валідації. Однак Це, стверджує він, базується на припущенні, що нам потрібно будувати багато онтологій, оскільки кожен проект потребує онтології. Генеральний директор і засновник Semantic Arts Дейв МакКомб кидає виклик ідеї, що отримання LLM для створення навіть поганої онтології є хорошим початковим пунктом Що нам потрібно, стверджує Маккомб, це порядки величини менше онтологій.Ви дійсно бачите суперсили онтологій, коли у вас є найпростіше можливе вираження складних концепцій в підприємстві. Ця віра відображається в , онтологія з відкритим кодом, орієнтована на бізнес, активно розроблена Semantic Arts. Її легкий дизайн і використання повсякденної термінології зробили його корисним інструментом для запуску розвитку онтології домену в різних областях. . Вчора GEVER тепер узгоджується з BFO Незалежно від того, як ви вирішите побудувати свою онтологію, інструменти та методології, які допоможуть, існують. Інструменти, такі як Open Source та . Introduction to Ontology Engineering Програма Ontology Maker OntoAligner, a comprehensive modular and robust Python Toolkit for ontology alignment Sneak peek: Graph visualization and analytics, reimagined for the cloud Заснована в 2013 році, Linkurious допомагає компаніям Global 2000 і державним агентствам перетворювати складні пов'язані дані на чіткі уявлення. Linkurious Enterprise Cloud (тільки кілька тижнів від запуску ... будьте серед перших, хто спробує це!) - це найбільш зручний, гнучкий і масштабований спосіб вивчити ваші графічні дані. Отримайте ранній доступ - приєднуйтесь до списку очікувань для безкоштовного пробного використання. Getting started with knowledge graphs Getting started with knowledge graphs Семантичний шар, побудований з графами знань, збільшує властиву цінність даних, дозволяючи більш швидку інтеграцію даних і покращуючи якість даних і довіру до контекстних відносин та спільних моделей. Про це розповідає Суміт Паль. організації повинні прийняти нову парадигму ECL (витягувати, контекстуалізувати, завантажувати) замість традиційного ETL (витягувати, трансформувати, завантажувати) для поліпшення ROI на AI По-перше, тому що ваші табличні дані дурні, навіть якщо вашого бізнесу немає, а по-друге, тому що на відміну від прогнозного (статистичного) висновку, заснованого на LLM, онтологічне (логічне) висновок, заснований на графіках знань, є детерміністичним і пояснюваним. Підприємства повинні ґрунтувати свій AI на графіках знань Ви можете подумати, що графіки знань занадто складні для реалізації, або що вони потребують великих наборів даних. що Василь Маркович намагається вирішити. але навіть якщо ви новачки в графіках, є багато ресурсів, щоб почати. common misconceptions around knowledge graphs В « “, Frank Blau offers a guide to Graph Thinking. In the “ ” series, Paco Nathan shares how to get up to speed on graph fundamentals. Max De Marzi shares І . Зв'язок з графом Graph Tech Demystified graph modeling mastery tips if you are looking to land a Knowledge Graph Engineer role, Thomas Thelen compiled a list of interview questions 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 . 15 питань, які допоможуть вам почати розумно, незалежно від того, будуєте ви просту внутрішню графіку або плануєте складну систему, що працює за допомогою GenAI Імплементація графіку знань підприємства є багатофазовим шляхом.Як проекти переходять від початкового доказу концепції до повністю продуктивної, багатодоменної графіки, витрати накопичуються. . Joe Hoeller розбиває типові етапи (PoC, пілотний і повний розгортання підприємства) і витрати, пов'язані з кожним з них. 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 поєднують векторну подібність з графічним переходом для точних, багаторазових відповідей і відтворюваного контексту - так що агенти роздумують і пам'ятають зі структурою. Додайте шар збагачення Cognee, усвідомлення часу, автоматичну оптимізацію та новий інтерфейс користувача для ще кращого досвіду. 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 Прийняття, створення та популяризація графіків знань 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. На SAP, ви можете тепер . . може бути використаний для кодової бази RAG, навігації кодом, аналізу впливу та візуалізації архітектури. . use semantic querying with the SAP HANA Cloud knowledge graph Графік знань GitLab Graph-Code is an open source graph-based RAG system for any codebase Synalinks - це нейросимволічна рамка, заснована на Keras, яка перетинає розрив між нейронними мережами та символічним міркуванням. Оптимізовані та обмежені функції вилучення та пошуку графіків знань, інтеграція з агентами, підтримка Neo4j, генерація запитів Cypher та автоматичне вирівнювання суб'єктів. Останнє випущення SynaLinks 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 Наприклад, Amber Lennox . Як перетворити реляційні дані в графік знань Як перейти від грубих даних до графіки знань за допомогою SynaLinks There’s no shortage of tutorials on other tools either. Gal Shubeli shows Поділитися своїми акціями , and Alain Airom . Як створити графік знань зі структурованих і неструктурованих даних за допомогою FalkorDB і Graphiti Як витягти графіки знань з тексту за допомогою GPT4o Створює графік знань з документів за допомогою 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. І OntoCast - це рамка відкритого коду для створення графіків знань це рамка для повністю автономної графічної конструкції знань, яка усуває необхідність попередньо визначених схем. вона використовує LLM для вилучення знань трійці і індукувати комплексні схеми безпосередньо з тексту. . AutoSchemaKG AutoSchemaKG is cutting edge research, with the code released on GitHub markets a system that turns PDFs and text files into knowledge graphs. . Блакитний морф iText2KG, an open source Python package designed to incrementally construct consistent knowledge graphs with resolved entities and relations, can now build dynamic knowledge graphs , яка використовує LLM для автоматизації найбільш болючої частини побудови графіків знань з тексту: дедуплікації записів. Russel Jurney introduces the emerging field of semantic entity resolution for knowledge graphs Андреа Вольпіні ділиться ноутбуком , and Prashanth Rao offers . вивчення семантичного вирішення та видобутку суб'єктів за допомогою DSPy та нової бібліотеки LangExtract від Google a gentle introduction to DSPy for graph data enrichment Subscribe to the Year of the Graph Newsletter Keeping track of all things Graph Year over Year Підпишіться на річний бюлетень Graph Підпишіться на річний бюлетень Graph 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, . Використання заздалегідь визначених суб'єктів і відносин при очищенні і вирішенні дублювань та позначенні несумісних джерел є вимогою для створення графіків знань. 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 “ ” 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. Графи знань та LLM в дії 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 Сріжан Шукла . 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. як "будівництво динамічних систем для надання правильної інформації та інструментів у правильному форматі, щоб LLM міг правдоподібно виконати завдання". 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. Контекст без структури - це розповідь, а не знання 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. Графи знань відрізняються тим, що забезпечують структурований, семантичний контекст для LLM, організовуючи інформацію як взаємопов'язані суб'єкти та відносини, що робить їх відмінними варіантами для пам'яті та отримання, як . Графи знань, підтримувані онтологіями, є кінцевим контекстним шаром для LLM Anthony Alcaraz notes Agentic knowledge graph construction and temporal graphs Agentic knowledge graph construction and temporal graphs is the latest in automated knowledge graphs. The idea Anthony Alcaraz promotes based on a tutorial by Andrew Ng and Andreas Kolleger is to deploy an AI agent workforce, treat AI as a designer, not just a doer, and use a 3-part graph architecture to augment humans instead of replacing them. Agentic knowledge graph construction The authors of the book “ ” aim to equip data scientists to build intelligent AI agents that reason, retrieve, and interact dynamically, empowering them to deploy AI solutions. They dedicate a chapter to creating and connecting a knowledge graph to an AI Agent. Building AI Agents with LLMs, RAG, and Knowledge Graphs Google Cloud released Google Agentspace, which provides a single platform to build, manage, and adopt AI agents at scale for individuals, teams, and enterprises. . Google Agentspace is powered by a knowledge graph, built on Spanner Graph , claiming to be the largest open source financial knowledge graph built from unstructured data. FinReflectKG is a concrete example of agentic construction and evaluation of financial knowledge graphs and performing multi-hop retrieval directly over those graphs. While the cookbook focuses on OpenAI models and some other specific tooling, the underlying framework and logic are model-agnostic and easily adaptable to other stacks. OpenAI released a hands-on guide for building Temporal Agents with knowledge graphs Інший підхід поділяється Фаредом Ханом в « “. 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. Temporal graph modeling is what TGM focuses on The state of GraphRAG The state of GraphRAG Трохи більше року тому GraphRAG був найгарячішою темою в галузі штучного інтелекту. GraphRAG - це новий набір методів для підвищення генерації знань за допомогою інтеграції графіків знань, використовуючи їх структурований характер, щоб забезпечити більш багатий, більш нюансовий контекст, ніж стандартний векторний пошук. 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 все ще гаряча. Neo4j опублікував and . Avi Chawla shares a , while a . claims to decrease RAG retrieval error rate by 67%. Developer’s Guide to Graph RAG Essential GraphRAG book Візуальний пояснювач 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 HiRAG використовує ієрархічні кластери для зв'язку різноманітних кластерів тем для підвищення глобального міркування. Андрій Колег підкреслює , and Ben Lorica shares . innovative approaches from the GraphRAG Track at AI Engineer World’s Fair 2025 5 проривів, про які ви повинні знати в RAG Reimagined Сергій Васильєв аргументує . 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 мультимодальні графіки A topic that’s gaining momentum in GraphRAG and beyond is multi-modality. Це все-в-одному система RAG, яка використовує мультимодальні графіки знань для автоматичного вилучення суб'єктів та відкриття міжмодальних відносин для покращення розуміння. 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) In “ Дослідники пропонують уніфіковану структуру мультимодальних графічних даних, завдань і моделей, відкриваючи притаманні мультигранулярність і мультимасштабні характеристики мультимодальних графіків. 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 Загальний ринок баз даних буде зростати на 16% щорічно. Graph databases are exploding, thanks to the AI boom, Gartner the Business Research Company As AI and RAG have given a significant boost to both graph and vector databases, people are trying to establish how these two compare, and when and how to use each. Андрій Блюмахер . : 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. Tentris TuringDB Existing graph database vendors are making progress too. , a new graph architecture that aims to eliminate data silos between transactional and analytical systems. Neo4j went HTAP by launching Infinigraph Amazon Neptune 1.4.5 ввів вдосконалення двигуна та підтримку інстанцій r8g на базі 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 , 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 integrated with deep search. Microsoft is adding GQL support to KQL graph semantics Microsoft Fabric почала пропонувати графічний аналіз в 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 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), (Укрзалізниця і Якоб стверджує, що . identity structure semantics queries compared it to property graphs major enterprises are discovering they’ve been rebuilding RDF piece by piece and Atanas Kiryakov has a go at Пропонуємо ознайомитися з коментарями в розділі «В , 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 Говорячи, що настав час переосмислити пов'язані дані , 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 запустила свої нові метадані, готові до штучного інтелекту, на S&P Global Marketplace, з RDF під капотом People are also debating OWL vs. SHACL. Holger Knublauch, Boris Pelakh, Pete Rivett and Jessica Talisman address this in , while Michael Iantosca argues that . Велике семантичне моделювання як OWL, так і SHACL можуть бути використані під час фази прийняття рішень для агентів AI при використанні графіку знань Holger Knublauch shares a preview of . Veronika Heimsbakk’s book “ ” is open for pre-orders. And Kurt Cagle shows , and та . 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 We have already seen how to approach graph data models and databases coming from the relational world. But ’? Що таке «Фундаментальна модель» 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 та 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. The Connected Data community is a great place for an .The authors of the have recently added a new chapter on graphs. Jure Leskovec shares . І introduction to Graph Learning and GNNs Geometric Deep Learning textbook Що кожен вчений повинен знати про графічні трансформатори та їх вплив на структуровані дані 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. що вводить суттєві поліпшення масштабуваності та можливостей застосування в реальному світі. PyG 2.0 is a comprehensive update Це PyTorch-базова рамка, яка забезпечує гнучку і модульну архітектуру для створення та навчання моделей GNN для виявлення аномалій. 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 Це показує, як абстрактна математика створює реальні рішення. 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 Трейвіс Томпсон заявляє Олександр Стівен зазначив, що це . 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 reports on Szegedy Balázs’ work on . Results point to the Platonic Representation Hypothesis, according to which neural networks are converging to a shared statistical model of reality. And Alberto Gonzalez shares the basics of . Тренування нейронних мереж з ідентичними архітектурами representing graphs Підпишіться на річний бюлетень Graph Слідкувати за всіма речами Граф Рік за роком Subscribe to the Year of the Graph Newsletter Підпишіться на річний бюлетень Graph Слідкувати за всіма речами Граф Рік за роком
