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? Trong quá trình kết nối với Các diễn giả, chúng tôi thấy mình tham gia vào các cuộc trò chuyện phản ánh và làm sáng tỏ về nguồn gốc và sự tiến hóa của cộng đồng và công nghệ nó hội tụ: Biểu đồ tri thức, Phân tích biểu đồ, AI, Khoa học dữ liệu, Cơ sở dữ liệu và Công nghệ ngữ nghĩa. Kết nối dữ liệu London 2025 Cách chúng tôi mô tả nó là - một lõi của những người áp dụng ban đầu đã tồn tại trong những gì có thể là hơn một thập kỷ cho đến nay, cộng với một phân đoạn ngày càng tăng của những người mới đến đã gặp phải các biểu đồ được thúc đẩy bởi GenAI hoặc bởi nhận thức rằng biểu đồ là cách tốt nhất để mô hình kết nối. Ngày nay, có nhiều điểm dữ liệu để kết nối hơn bao giờ hết; cũng có nhiều kết nối được thực hiện nhanh hơn bao giờ hết; và mọi người đang nhận ra và tận dụng tầm quan trọng của các kết nối này hơn bao giờ hết. Tất cả mọi thứ được kết nối. Các biểu đồ tồn tại để kết nối mô hình. Đó là lý do tại sao các biểu đồ ở khắp mọi nơi Đó là lý do tại sao có một sự bùng nổ trong việc áp dụng, lãnh đạo tư tưởng, công cụ, tính năng, ứng dụng và phương pháp xung quanh biểu đồ. , và cách tiếp cận trị liệu nhắm mục tiêu không thay đổi, đó là vấn đề dài nhất cho đến nay. Đã 3 tháng kể từ lần trước Vấn đề này dành cho tất cả mọi người – từ người mới đến các chuyên gia, và từ các nhà tư tưởng chiến lược và người mô hình đến các kỹ sư và nhà khoa học. Từ hỗ trợ đồ thị trên Microsoft Azure, GitLab, Netflix, S&P và SAP, đến ngữ nghĩa và các đại lý trên Databricks và Snowflake, ontologies, kiến thức đồ thị và AI, đồ thị biến đổi, và những bước đột phá khoa học. 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 London 2025 ngày 20 – 21 tháng 11 Bảng nội dung 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 Số này của năm của biểu đồ được mang đến cho bạn bởi G.V(), metaphacts, Linkurious, và cognee. Nếu bạn muốn được giới thiệu trong một phiên bản sắp tới và hỗ trợ công việc này, hãy tiếp cận! This issue of the Year of the Graph is brought to you by , , , and . G.V() metaphacts Linkurious cognee CĐV() Metatrader linux Cognee Nếu bạn muốn được giới thiệu trong một phiên bản sắp tới và hỗ trợ công việc này, ! Vượt ngoài Announcing the State of the Graph project Giới thiệu dự án State of the Graph Một kho lưu trữ toàn diện và cập nhật, trực quan hóa và phân tích tất cả các dịch vụ trong không gian công nghệ graph. 👉 Đến sớm.Đăng ký để cập nhật tại đây Graph is the new star schema Graph là ngôi sao mới Irina Malkova, Phó Giám đốc Dữ liệu Sản phẩm & AI tại Salesforce, nghĩ như vậy.Trước khi AI, Malkova không cảm thấy rằng siêu dữ liệu đồ thị là một khoản đầu tư tích cực cho ROI cho nhóm của mình - mặc dù họ chưa bao giờ nhìn quá chặt chẽ. Graph có thực sự là chương trình ngôi sao mới? Bây giờ, tuy nhiên, Malkova nhận ra rằng các đại lý không thể tự trị trừ khi dữ liệu được cấu trúc như một biểu đồ. chỉ vài ngày sau khi Malkova đưa ra nhận thức này, bài đăng của cô thu hút các nhà lãnh đạo biểu đồ chia sẻ nhiều nền tảng và bối cảnh hơn. Khi cô ấy đặt nó, Malkova tự hỏi nó sẽ như thế nào nếu những người nội bộ và người mới bắt đầu lại tưởng tượng lại công việc của họ bằng cách học hỏi lẫn nhau. Chúng ta đang sống qua làn sóng đồ thị thứ ba, bây giờ được thúc đẩy bởi sự cần thiết phải cung cấp dữ liệu cho các đại lý AI Các biểu đồ và biểu đồ sao lưu trữ dữ liệu có điểm gì chung? Chúng phổ biến khắp nơi, và chúng giúp mở khóa giá trị cho các tổ chức. Không giống như biểu đồ sao, tuy nhiên, các mô hình dữ liệu biểu đồ linh hoạt và có thể mô hình rõ ràng về ngữ nghĩa. Nói cách khác – biểu đồ là ngôi sao của biểu đồ. như Nếu không có các quy trình được xác định rõ ràng và các kiến trúc bền vững, sự tăng tốc mà GenAI mang lại có nguy cơ tăng cường sự hỗn loạn thay vì hợp lý hóa quy trình làm việc. Charles Betz, Phó Chủ tịch, Nhà phân tích chính tại Forrester Chìa khóa nằm ở việc xây dựng một mô hình hoạt động CNTT mạnh mẽ tích hợp GenAI vào cấu trúc của các hệ thống quản lý. cơ sở dữ liệu đồ thị và sản xuất tăng cường tìm kiếm là các công nghệ cơ bản cho sự chuyển đổi này. Các biểu đồ đại diện cho các thực thể và các mối quan hệ một cách linh hoạt, cho phép GenAI suy luận trên các cảnh quan dữ liệu phức tạp.Bằng cách đầu tư vào cơ sở hạ tầng kiến thức dựa trên biểu đồ, các tổ chức có thể mở khóa toàn bộ tiềm năng của AI trong khi đảm bảo tính minh bạch, khả năng theo dõi và phù hợp. Matan-Paul Shetrit, Giám đốc Quản lý Sản phẩm tại Writer, tiến thêm một bước nữa. Trong doanh nghiệp truyền thống, sự phối hợp là thủ công; trong doanh nghiệp lai, sự phối hợp trở nên có thể lập trình. Tưởng tượng các biểu đồ như lớp orchestration cho các công ty của tương lai Biểu đồ tổ chức là: mạng lưới năng động, thường vô hình của người, đại lý và hệ thống được kết nối bởi logic ủy quyền, vòng lặp thực hiện và con đường leo thang. G.V() là một máy khách cơ sở dữ liệu đồ thị và IDE trao quyền cho bạn thông qua mọi nhiệm vụ: No matter what graph technology you work with, G.V() makes you more productive Viết, thực hiện và hồ sơ truy vấn Kiểm tra mô hình dữ liệu của bạn Khám phá dữ liệu của bạn với hình ảnh đồ thị hiệu suất cao Thêm hoặc chỉnh sửa dữ liệu trên fly Là IDE cơ sở dữ liệu đồ thị tương thích rộng rãi nhất, G.V() hỗ trợ hơn 20 công cụ, bao gồm Amazon Neptune, Google Spanner Graph, Neo4j và JanusGraph – và bây giờ với hỗ trợ GQL cho Ultipa Graph. Hãy thử nó cho chính mình và bắt đầu truy vấn cơ sở dữ liệu của bạn trong vòng chưa đầy 5 phút: Đô thị.com Graphs power Systems of Intelligence Hệ thống năng lượng Graphs of Intelligence Các biểu đồ đang phát triển cùng với GenAI, ảnh hưởng cũng như bị ảnh hưởng bởi nó. Các khả năng tạo ra AI đang tiến bộ với tốc độ nhanh và các công cụ sẽ có sẵn trong 2-5 năm tới sẽ biến đổi. Theo Gartner 2025 AI Hype Cycle Al đầu tư vẫn mạnh mẽ, nhưng trọng tâm đang chuyển từ GenAl hype đến những đổi mới cơ bản như Al-ready data, Al agents, Al engineering và ModelOps. Sự phát triển nhanh chóng của các công nghệ và kỹ thuật này tiếp tục không bị suy giảm, cũng như hype tương ứng, làm cho cảnh quan hỗn loạn này khó điều hướng. Những điều kiện này có nghĩa là GenAI tiếp tục là một ưu tiên hàng đầu cho bộ C. Biểu đồ tri thức là một phần quan trọng của điều này, được đặt trên vỉa hè của sự giác ngộ. . Biểu đồ kiến thức cũng là nền tảng cho hệ thống thông minh là một thuật ngữ được tạo ra bởi và được đề cập bởi SiliconANGLE & theCUBE nhà phân tích David Vellante và George Gilbert trong . Hệ thống thông minh bởi Geoffrey Moore phân tích về cách Snowflake điều hướng động lực cạnh tranh mới Hệ thống thông minh là nền tảng của kiến trúc doanh nghiệp hiện đại bởi vì các đại lý AI chỉ thông minh như trạng thái kinh doanh được thể hiện trong biểu đồ kiến thức.Nếu một nền tảng kiểm soát biểu đồ đó, nó trở thành nhà hoạch định chính sách mặc định cho "tại sao điều này xảy ra, điều gì tiếp theo, và chúng ta nên làm gì?" A unified semantic knowledge graph for Enterprise AGI Một biểu đồ kiến thức ngữ nghĩa thống nhất cho Enterprise AGI Vellante và Gilbert cũng tăng cường tầm quan trọng của ngữ nghĩa trong phân tích của họ về cách Hiểu được chiến lược là nhận ra cách hệ thống tình báo, hệ thống cam kết và hệ thống cơ quan tạo ra một bánh xe bay: Cuốn sách tình báo dữ liệu của Ali Ghodsi cho Databricks đang biến dữ liệu thành lợi thế đại lý User Intent Feeds Semantics: Mỗi câu hỏi cuối cùng làm phong phú hóa danh mục với bối cảnh phong phú hơn, thêm ý nghĩa cho dữ liệu để những người khác có thể trích xuất nhiều giá trị hơn từ nó. Semantics Feed Agents: Các đại lý vũ khí ngữ cảnh phong phú hơn để đưa ra quyết định tốt hơn và cuối cùng hành động độc lập. Các đại lý tạo ra kết quả: Các đại lý cung cấp kết quả hiệu quả hơn phù hợp với mục tiêu kinh doanh. Đây là nền tảng của chiến lược Data Intelligence của công ty.Không có ngữ nghĩa hài hòa, được quản lý và làm phong phú, bảng điều khiển, đại lý hoặc các ứng dụng hoạt động không thể tích hợp và hoạt động. Ali Ghodsi đã làm rõ các cược, gọi việc sở hữu ngữ nghĩa là "tính tồn tại" Mục tiêu là cho phép các đại lý không chỉ biết những gì đã xảy ra, mà còn có thể suy ra lý do tại sao, dự đoán những gì tiếp theo và quy định những gì cần làm.Đây là chén thánh của doanh nghiệp AI – nền tảng cho “Enterprise AGI.” Các nhà tư tưởng chiến lược nhận ra tầm quan trọng của việc sở hữu ngữ nghĩa, và Đây là một phần lý do tại sao mọi người đang nói về các lớp ngữ nghĩa - nhưng một lớp ngữ nghĩa thực sự là gì? semantic layers matter more than ever in the AI era Thành viên cộng đồng Connected Data Sofus Macskássy, Jessica Talisman, Juan Sequeda và Andreas Blumauer . tiếp cận các lớp ngữ nghĩa từ nhiều góc độ, chia sẻ các định nghĩa và hướng dẫn Why AI alone can’t solve all your data problems Các LLM thường "giả ảo" bởi vì chúng dựa vào các mô hình thống kê rộng, chứ không phải kiến thức độc đáo của doanh nghiệp của bạn. cốt lõi AI trong các mô hình ngữ nghĩa của bạn đảm bảo kết quả chính xác và đáng tin cậy bằng cách tận dụng các kết nối logic trong dữ liệu doanh nghiệp. metis là một nền tảng AI dựa trên kiến thức chuyển đổi dữ liệu bị mất kết nối thành giá trị kinh doanh. với metis, bạn có thể tạo và quản lý các mô hình ngữ nghĩa với AI, thiết kế và triển khai các đại lý hội thoại tùy chỉnh, và kết hợp các công cụ để tóm tắt, thực hiện truy vấn và nhiều hơn nữa. Sử dụng AI đáng tin cậy, đáng tin cậy mà thực sự hiểu doanh nghiệp của bạn. Khám phá Metis ngay hôm nay! Defining and building ontologies Xác định và xây dựng ontologies Định nghĩa các lớp ngữ nghĩa có thể được gọi là meta-semantics, đó là một chút mỉa mai, nhưng đồng thời cần thiết. định nghĩa chính xác là những gì ngữ pháp là tất cả về, và với sự quan tâm mới và người mới đến trong lĩnh vực này, sự nhầm lẫn, hype và tranh cãi nóng là tác dụng phụ không thể tránh khỏi. Điều tương tự có thể nói về ontology.When CTOs ponder “ Và các chuyên gia cân nhắc, cuộc trò chuyện có thể trở nên khá kỹ thuật khá nhanh. những người khác tập trung vào các khía cạnh thực tế hơn, chẳng hạn như . Ontology là gì những gì các tổ chức có thể học hỏi từ poster trẻ em cho ontology trong sử dụng: Palantir Điều này chỉ ra một cuộc trò chuyện liên tục khác: ngay cả khi mọi người đồng ý về một ontology là gì, cách tốt nhất để xây dựng một ontology là gì? và ? ontology engineering thực sự là một mớ hỗn độn Tại sao các nhóm ontology và kiến trúc dữ liệu đang giải quyết cùng một vấn đề với các ngôn ngữ khác nhau Palantir có định nghĩa độc quyền và thực hiện ontology của riêng mình. Một số người tin rằng điều này là chống sản xuất. Các tiêu chuẩn như OWL, RDF, SKOS và SHACL tồn tại, vì vậy không có lý do gì để tái phát minh bánh xe. Những người khác nghĩ rằng trong khi khả năng tương tác là tốt, Và nhóm nghĩ rằng sự tiến hóa có giới hạn. Những tiêu chuẩn đó không phải lúc nào cũng phù hợp với mục đích Có sự đồng thuận ngày càng tăng rằng . Joe Hoeller argues ontology development is hard because it relies on subject matter experts who bring deep understanding of operational language, workflows, and terminology but typically lack the formal training needed to represent that knowledge within rigorous frameworks. ontologies vấn đề, khó khăn như họ có thể được phát triển Top Level Ontologies (TLOs) such as the Basic Formal Ontology (BFO), Common Core Ontology (CCO), or SUMO (Suggested Upper Merged Ontology) are such rigorous frameworks. J Bittner explains that . TLOs giúp với ROI theo hai cách Thứ nhất, tránh tái phát minh – bạn không cần tranh luận hoặc xây dựng lại các danh mục cơ bản cho mỗi dự án. Thứ hai, khi các lĩnh vực cần phải tương tác – tài chính với hậu cần, tuân thủ hoạt động, chăm sóc sức khỏe với bảo hiểm – nền tảng chia sẻ làm giảm đáng kể chi phí hội nhập. Đó là điều mà những người như Tony Seale đã ủng hộ.CEO và người sáng lập Stardog Kendall Clark tuyên bố rằng . Sử dụng LLM để hỗ trợ phát triển ontology Xây dựng ontologies khai thác các mô hình nền tảng là "phép thuật" hoạt động thông qua trượt nhanh, sắp xếp biểu tượng, mã hóa chính thức và xác nhận lặp đi lặp lại Tuy nhiên, Điều này, ông tuyên bố, dựa trên giả định rằng chúng ta cần phải xây dựng rất nhiều ontologies, vì mỗi dự án cần một ontology. Giám đốc điều hành và người sáng lập Semantic Arts Dave McComb thách thức ý tưởng rằng có được một LLM để tạo ra thậm chí một ontology xấu là một điểm khởi đầu tốt Những gì chúng ta cần, McComb lập luận, là các thứ tự quy mô nhỏ hơn các ontologies.You really see the superpowers of ontologies when you have the simplest possible expression of complex concepts in an enterprise. Niềm tin này được phản ánh trong , một ontology mã nguồn mở, tập trung vào kinh doanh được phát triển tích cực bởi Semantic Arts. thiết kế nhẹ và sử dụng thuật ngữ hàng ngày của nó đã làm cho nó một công cụ hữu ích để bắt đầu phát triển ontology miền trong một loạt các lĩnh vực. . Hôm nay gist bây giờ được sắp xếp với BFO Bất kể cách bạn chọn để xây dựng ontology của bạn, các công cụ và phương pháp để giúp có tồn tại. Các công cụ như Open Source and . Giới thiệu về Ontology Engineering Các tính năng của Spreadsheet-based Ontology Maker OntoAligner, một bộ công cụ Python toàn diện, mô-đun và mạnh mẽ để sắp xếp ontology Sneak peek: Graph visualization and analytics, reimagined for the cloud Được thành lập vào năm 2013, Linkurious giúp các công ty và cơ quan chính phủ toàn cầu biến dữ liệu kết nối phức tạp thành những hiểu biết rõ ràng. Linkurious Enterprise Cloud (chỉ vài tuần sau khi ra mắt ... hãy là một trong những người đầu tiên thử nó!) là cách dễ sử dụng nhất, linh hoạt và có thể mở rộng để khám phá dữ liệu biểu đồ của bạn. ✔️ Nhận truy cập sớm - tham gia danh sách chờ để dùng thử miễn phí. Getting started with knowledge graphs Bắt đầu với kiến thức graphs A semantic layer built with knowledge graphs increases the inherent value of data by enabling faster data integration and improving data quality and trust with contextual relationships and shared models. This is why Thảo luận của Sumit Pal Các tổ chức cần áp dụng mô hình mới của ECL (trích xuất, ngữ cảnh hóa, tải) thay vì ETL truyền thống (trích xuất, chuyển đổi, tải) để cải thiện ROI trên AI Thứ nhất, bởi vì dữ liệu bảng của bạn là ngớ ngẩn, ngay cả khi doanh nghiệp của bạn không. và thứ hai, bởi vì không giống như kết luận dự đoán (thống kê) dựa trên LLM, kết luận ontological (logic) dựa trên biểu đồ kiến thức là xác định và có thể giải thích. Các doanh nghiệp phải làm nền tảng AI của họ trong biểu đồ kiến thức Bạn có thể nghĩ rằng các biểu đồ kiến thức quá phức tạp để thực hiện, hoặc rằng chúng cần các tập dữ liệu khổng lồ. mà Vasilije Markovic cố gắng giải quyết.Nhưng ngay cả khi bạn mới với đồ thị, có rất nhiều tài nguyên để bắt đầu. Những hiểu lầm phổ biến xung quanh kiến thức graphs Trong “ “, Frank Blau offers a guide to Graph Thinking. In the “ Paco Nathan chia sẻ làm thế nào để đạt được tốc độ trên các nguyên tắc cơ bản của đồ thị. và . Tương tác với Graph Graph Tech Demystified Thiết kế graph modeling mastery tips Nếu bạn đang tìm kiếm một vai trò Kỹ sư Biểu đồ Tri thức, Thomas Thelen đã biên soạn một danh sách các câu hỏi phỏng vấn Xây dựng một biểu đồ kiến thức nghe có vẻ tuyệt vời, nhưng nhảy vào quá sớm mà không trả lời một số câu hỏi cơ bản quan trọng có thể dẫn đến lãng phí thời gian và kỹ thuật quá mức. . 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 phá vỡ các giai đoạn điển hình (PoC, thí điểm và triển khai toàn bộ doanh nghiệp) và chi phí liên quan trong mỗi giai đoạn. 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 Chấp nhận, xây dựng và phổ biến các biểu đồ kiến thức Knowledge graph adoption is peaking. There are more people wanting to build knowledge graphs, and more tools and approaches to do this than ever before. On SAP, you can now . can be used for codebase RAG, code navigation, impact analysis and architecture visualization. . use semantic querying with the SAP HANA Cloud knowledge graph GitLab’s knowledge graph Graph-Code là một hệ thống RAG dựa trên đồ thị nguồn mở cho bất kỳ cơ sở mã nào. 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 bản phát hành mới nhất 0.3 Cognee là một khuôn khổ mô-đun để xây dựng và thu thập kiến thức từ đầu đến cuối. Một bài đăng chung của nhóm cognee và Kuzu cho thấy . Similarly, Amber Lennox shares . how to transform relational data into a knowledge graph Cách chuyển từ dữ liệu thô sang biểu đồ kiến thức với SynaLinks There’s no shortage of tutorials on other tools either. Gal Shubeli shows . Thu Hien Vu shares , and Alain Airom . Làm thế nào để xây dựng một biểu đồ kiến thức từ dữ liệu có cấu trúc và không có cấu trúc bằng cách sử dụng FalkorDB và 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 là một khuôn khổ cho xây dựng biểu đồ kiến thức hoàn toàn tự trị loại bỏ sự cần thiết cho các sơ đồ được xác định trước. nó tận dụng các LLM để trích xuất triple kiến thức và gây ra các sơ đồ toàn diện trực tiếp từ văn bản. . AutoSchemaKG AutoSchemaKG là nghiên cứu tiên tiến, với mã được phát hành trên GitHub markets a system that turns PDFs and text files into knowledge graphs. . Blue Morpho iText2KG, an open source Python package designed to incrementally construct consistent knowledge graphs with resolved entities and relations, can now build dynamic knowledge graphs , sử dụng LLM để tự động hóa phần đau đớn nhất của việc xây dựng các biểu đồ kiến thức từ văn bản: deduplicating hồ sơ. Russel Jurney giới thiệu lĩnh vực mới nổi của giải pháp thực thể ngữ nghĩa cho biểu đồ kiến thức Andrea Volpini chia sẻ một sổ tay , và Prashanth Rao cung cấp . exploring semantic entity resolution & extraction using DSPy and Google’s new LangExtract library Một giới thiệu nhẹ nhàng về DSPy để làm giàu dữ liệu đồ thị Subscribe to the Year of the Graph Newsletter (Đăng ký năm của bản tin Graph) Keeping track of all things Graph Year over Year Subscribe to the Year of the Graph Newsletter Subscribe to the Year of the Graph Newsletter Keeping track of all things Graph Year over Year Knowledge graphs and AI: a two-way street Knowledge graphs and AI: a two-way street In the real world, . Sử dụng các thực thể và mối quan hệ được xác định trước trong khi dọn dẹp và giải quyết các bản sao và đánh dấu các nguồn không nhất quán là một yêu cầu để xây dựng các biểu đồ kiến thức As Panos Alexopoulos notes, these are the types of và . 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. Biểu đồ kiến thức và LLMs trong hành động 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 người hâm mộ lựa chọn: Srijan Shukla . 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 Trong thế giới của LLMs, thuật ngữ "kỹ thuật bối cảnh" đã nhận được sự hấp dẫn. as “building dynamic systems to provide the right information and tools in the right format such that the LLM can plausibly accomplish the task”. LangChain’s CEO Harrison Chase defines context engineering As Jérémy Ravenel notes, Và nếu AI sẽ mở rộng vượt ra ngoài các bản demo và copilots thành các hệ thống lý luận, theo dõi bộ nhớ và tương tác trên các lĩnh vực, thì bối cảnh một mình không đủ. context without structure is narrative, not knowledge 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. . Knowledge graphs excel at providing structured, semantic context to LLMs by organizing information as interconnected entities and relationships, making them great options for Memory and Retrieval, as . Biểu đồ kiến thức được hỗ trợ bởi ontologies là lớp ngữ cảnh cuối cùng cho LLMs Anthony Alcaraz notes Agentic knowledge graph construction and temporal graphs Agentic knowledge graph construction and temporal graphs Ý tưởng mà Anthony Alcaraz thúc đẩy dựa trên một hướng dẫn của Andrew Ng và Andreas Kolleger là triển khai lực lượng lao động đại lý AI, đối xử với AI như một nhà thiết kế, không chỉ là một người làm, và sử dụng một kiến trúc đồ thị 3 phần để tăng cường con người thay vì thay thế chúng. Agentic knowledge graph construction The authors of the book “ Mục tiêu là trang bị cho các nhà khoa học dữ liệu để xây dựng các đại lý AI thông minh lý luận, thu thập và tương tác năng động, trao quyền cho họ triển khai các giải pháp AI. 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 là một ví dụ cụ thể về xây dựng đại lý và đánh giá biểu đồ kiến thức tài chính 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 phát hành hướng dẫn thực hành để xây dựng các tác nhân tạm thời với biểu đồ kiến thức 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. 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. Mô hình đồ thị thời gian là những gì TGM tập trung vào 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. Trong khi bằng chứng về việc áp dụng rộng rãi là hiếm, các ứng dụng hướng tới tương lai đang nổi lên. trong các hệ thống AI đại lý, biểu đồ đang phát triển từ một nguồn dữ liệu đơn giản để truy xuất thành một bản đồ cơ bản để lý luận và phối hợp. , Lorica argues. The true value of the graph-centric approach becomes clear when applied to agentic AI GraphRAG vẫn còn nóng. Neo4j công bố và . Avi Chawla shares a , while a . claims to decrease RAG retrieval error rate by 67%. Hướng dẫn của nhà phát triển cho Graph RAG Essential GraphRAG book visual explainer of RAG vs Graph RAG empirical study analyses when and how to use knowledge graphs for RAG Lời bài hát: Anthropic's Contextual Retrieval Ngoài ra còn có nhiều biến thể mới của GraphRAG. takes cues from the brain to improve LLM retrieval. HippoRAG combines GraphRAG with Reinforcement Learning. Graph-R1 DRAG giới thiệu một khuôn khổ chưng cất mới chuyển khả năng RAG từ LLM sang SLM thông qua chưng cất dựa trên bằng chứng và cấu trúc dựa trên Graph. uses hierarchical clustering to link disparate topic clusters to enhance global reasoning. HiRAG Andreas Kolleger highlights , 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 tranh luận . 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 Một chủ đề đang đạt được động lực trong GraphRAG và xa hơn nữa là đa phương thức. 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 là một khuôn khổ được thiết kế bởi David Hughes và Amy Hodler để tích hợp liền mạch dữ liệu thị giác và văn bản cho những hiểu biết toàn diện hơn và phản ứng chính xác hơn. multimodal GraphRAG combines structured knowledge representations with deep learning techniques to handle diverse information sources. Multimodal for Knowledge Graphs (MM4KG) In “ Các nhà nghiên cứu đã đề xuất một khuôn khổ thống nhất của dữ liệu biểu đồ đa phương thức, nhiệm vụ và mô hình, khám phá ra các đặc điểm đa hạt và đa quy mô vốn có trong biểu đồ đa phương thức. Towards Multi-modal Graph Large Language Model Graph databases grow and evolve Cơ sở dữ liệu Graph phát triển và phát triển as Joe McKendrick writes on ZDNet. Graph databases are projected to have a five-year CAGR of 24% – 26% according to and , respectively. The overall database market will grow 16% annually. Graph databases are exploding, thanks to the AI boom, Gartner the Business Research Company As AI and RAG have given a significant boost to both graph and vector databases, people are trying to establish how these two compare, and when and how to use each. Andreas Blumauer của : they encode logic, preserve causality, and let you do symbolic + neural hybrid search, Shobhit Tankha chimes in. In André Lindenberg’s words: . So sánh vector và 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 , một công cụ cơ sở dữ liệu đồ thị trong bộ nhớ chậm trễ thấp, bây giờ đã mở cho truy cập sớm. Tentris TuringDB Existing graph database vendors are making progress too. , a new graph architecture that aims to eliminate data silos between transactional and analytical systems. Neo4j went HTAP by launching Infinigraph introduced engine improvements and support for AWS Graviton-based r8g instances. Amazon Neptune 1.4.5 , bringing improvements in developer ease, performance, and cost efficiency. Aerospike Graph Database 3.0 was announced , bringing broad LLM compatibility, MCP support, precision entity linking, native GraphQL support and performance improvements. Graphwise announced the availability of versions 11 and 11.1 of GraphDB , bringing single-file databases, improvements to vector and full-text search indices, and new LLM support. Kuzu v0.11.0 was released TigerGraph công bố một khoản đầu tư chiến lược từ Cuadrilla Capital. GQL, tiêu chuẩn ngôn ngữ truy vấn đồ thị mới được tạo ra, đang được thông qua. , 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) Chạy truy vấn GQL trong 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), (SPARQL), and Jacob lập luận rằng . identity structure semantics Muốn compared it to property graphs Các doanh nghiệp lớn đang phát hiện ra rằng họ đã xây dựng lại RDF từng mảnh 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, giải quyết các huyền thoại đô thị về RDF và giải thích làm thế nào ontologies giúp 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 . Tương lai của kiến thức graphs arguing it’s time to rethink Linked Data , cho phép chuyển mô hình miền sang các ngôn ngữ định nghĩa sơ đồ như GraphQL, Avro, SQL, RDF và Java trong khi bảo tồn ngữ nghĩa. . Netflix công bố UDA (Unified Data Architecture) của mình để mô hình một lần, đại diện ở khắp mọi nơi 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 cho rằng . Cuộc tranh luận về mô hình ngữ nghĩa vĩ đại 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 “ ” là mở cho đặt hàng trước. Và Kurt Cagle hiển thị và 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 Chúng ta đã thấy cách tiếp cận các mô hình dữ liệu đồ thị và cơ sở dữ liệu đến từ thế giới quan hệ. “Không? What is a “relational foundation model” (mô hình nền tảng quan hệ) 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 dường như là người đầu tiên sản xuất điều này. and Họ cũng đang làm việc về những cách tiếp cận tương tự. The evolution is far from over, and the future of graph AI promises to be even more deeply connected. google Yandex Janu Verma của Microsoft chia sẻ ý tưởng của mình về Graph Transformers. The Connected Data community is a great place for an Các tác giả của The gần đây đã thêm một chương mới trên biểu đồ. Jure Leskovec chia sẻ . 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 PyG (PyTorch Geometric) là một thư viện được xây dựng trên PyTorch để dễ dàng viết và đào tạo Graph Neural Networks cho một loạt các ứng dụng liên quan đến dữ liệu có cấu trúc. PyG has evolved significantly since its initial release, establishing itself as a leading framework for Graph Neural Networks. giới thiệu những cải tiến đáng kể về khả năng mở rộng và khả năng ứng dụng thế giới thực. 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 là một cách tiếp cận hiện đại để phát hiện sự bất thường theo chuỗi thời gian sử dụng kỹ thuật 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 Last but not least, advances on the scientific front for graphs. Starting with a . Chudnovsky’s breakthrough on the shows how abstract math creates real-world solutions. profile on Maria Chudnovsky, the “superstar mathematician” who solved a 40-year-old puzzle about perfect graphs Lời bài hát 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. Các nhà nghiên cứu đã tìm thấy một cách nhanh hơn để chạy thuật toán con đường ngắn nhất của Dijkstra Travis Thompson claims Alexander Stage lưu ý rằng a . Điều này truyền tốt vào cách sản phẩm dữ liệu được xây dựng và tiêu thụ. great theory milestone, but production routing already “changed the rules” years ago with preprocessing and smart graph engineering Miklós Molnár báo cáo về công việc của Szegedy Balázs Kết quả chỉ ra giả thuyết đại diện Platonic, theo đó các mạng lưới thần kinh đang hội tụ với một mô hình thống kê được chia sẻ của thực tế. . Đào tạo mạng thần kinh với kiến trúc giống hệt nhau representing graphs Subscribe to the Year of the Graph Newsletter (Đăng ký năm của bản tin Graph) Theo dõi tất cả mọi thứ Graph Năm qua Năm Subscribe to the Year of the Graph Newsletter (Đăng ký năm của bản tin Graph) Subscribe to the Year of the Graph Newsletter (Đăng ký năm của bản tin Graph) Theo dõi tất cả mọi thứ Graph Năm qua Năm
