Cos'è un knowledge graph?
Una rete che rappresenta i dati aziendali come entità e relazioni: clienti, prodotti, contratti e le relazioni che li legano.
Un knowledge graph rappresenta i dati come una rete di entità (un cliente, un impianto, un contratto, un fornitore) collegate da relazioni esplicite (possiede, alimenta, dipende da, è fornito da). Nota: non è il "Knowledge Graph di Google" dei risultati di ricerca; qui parliamo del knowledge graph aziendale, lo strato di conoscenza costruito sui dati della tua organizzazione. A differenza di un database relazionale, dove le relazioni tra le tabelle restano implicite e vanno ricostruite ogni volta con join complessi, nel grafo la relazione è essa stessa un dato di prima classe, interrogabile al pari delle entità che collega. Questo permette a un'organizzazione di porre domande che attraversano più sistemi, l'anagrafica clienti, la manutenzione degli impianti, il registro contratti, senza un progetto di integrazione dedicato, perché il grafo li tiene già uniti secondo uno schema esplicito, l'ontologia. Per questo è oggi considerato lo strato più solido su cui costruire applicazioni AI affidabili, dalla GraphRAG agli agenti che devono ragionare sulla struttura reale del business.
Cosa risolve
Nei database tradizionali le relazioni tra i dati esistono ma sono implicite, sparse tra tabelle e sistemi diversi. Le domande che attraversano più sistemi ("quali clienti sono colpiti dal fermo di questo impianto?", "quanta esposizione abbiamo verso questo fornitore, contando anche i subfornitori?") richiedono ricostruzioni manuali che costano giorni. In un grafo la relazione è il dato: quelle domande diventano una singola query, e ogni risposta è tracciabile lungo il percorso che l'ha prodotta.
Perché è il momento di occuparsene
La struttura del grafo, quali entità esistono e quali relazioni sono ammesse, è definita dall'ontologia: le due cose vanno insieme, l'ontologia è lo schema, il grafo è il dato vivo. Ho dedicato un articolo a parte al perché i progetti AI falliscono sui dati e non sul modello, con i numeri di adozione GraphRAG e i casi in cui un grafo non serve.
Termini correlati
- Ontologia (dati e AI) · Il vocabolario formale che definisce le entità del tuo business e le loro relazioni: lo schema condiviso su cui dati e AI ragionano.
- GraphRAG · Evoluzione della RAG che recupera conoscenza da un knowledge graph: il modello ragiona su entità e relazioni, non su frammenti di testo.
- RAG · Tecnica che fa rispondere un LLM sui dati della tua azienda: recupera i documenti rilevanti e li passa al modello prima della risposta.
- Composite AI · Combinare più tecniche AI (LLM, regole, ottimizzazione, knowledge graph, ML classico) in un unico sistema: quasi ogni sistema serio lo fa già.
- Graph Neural Network (GNN) · Rete neurale che impara dai grafi: non dai singoli dati ma dalle relazioni tra loro. GCN, GAT e GIN sono le sue varianti principali.
Un termine che ti riguarda da vicino? Parliamone.
CONTATTAMI