Bilgi Grafiği (Knowledge Graph) Nedir? Varlıklar ve İlişkiler

Bilgi grafiği nedir ve neden “şeyler, kelimeler değil” denir?

Bilgi grafiği, varlıkları (kişi, ürün, yer, kavram) düğüm, aralarındaki ilişkileri kenar olarak saklayan bir veri modelidir. Her bilgi “özne, yüklem, nesne” üçlüsüyle yazılır. Böylece sistem düz metin yığınını değil, birbirine bağlı gerçekleri tanır ve ilişkiler üzerinden soruları cevaplar.

Bilgi grafiği nedir diye düşünürseniz en kolay benzetme bir şehir haritasıdır. Haritada binalar düğüm, yollar ise binalar arasındaki bağlantıdır. Adresleri tek tek ezberlemezsiniz, yola bakarak bir noktadan diğerine gidersiniz. Bilgi grafiği de bilgiyi aynı mantıkla birbirine bağlar.

Google, Knowledge Graph'ı tanıtırken “things, not strings” ifadesini kullandı; yani “şeyler, kelimeler değil”. Google'ın resmi yazısına göre sistem, gerçek dünyadaki varlıkları ve aralarındaki ilişkileri anlıyor. Örneğin “taj mahal” ifadesi bir anıtı, bir müzisyeni ya da bir restoranı işaret edebilir. Sistem bu ayrımı kelime düzeyinde değil, varlık düzeyinde yapar.

Bu yazıda terimi kavram olarak anlatıyoruz. Talha Aslan ve ekibi olarak amacımız, hem işletme sahibinin hem geliştiricinin işine yarayacak bir yanıt vermek. Araç adı, sürüm ya da fiyat gibi çabuk eskiyen bilgileri bilerek yazmadık. Güncel değerler için sağlayıcının resmi belgesine bakın.

Bilgi grafiği hangi soruna çözüm getirir?

Şirketlerin verisi genellikle dağınık durur. Ürünler bir tabloda, müşteri notları bir e-posta kutusunda, teknik belgeler bir paylaşım klasöründe yaşar. Bu parçalar arasındaki ilişkiyi çoğunlukla insanlar kafasında taşır. Çalışan ayrıldığında ilişki de gider.

Anahtar kelime araması bu noktada yetersiz kalır. Çünkü aynı varlığın birçok adı olabilir. Bir müşteri kayıtlarda “A. Yılmaz”, faturalarda “Ayşe Yılmaz”, e-postalarda ise sadece “Ayşe Hanım” olarak geçer. Metin eşleşmesi bunları üç ayrı kişi sanar.

Bilgi grafiği bu üç kaydı tek bir düğümde birleştirir. Ardından o kişiyi aldığı ürünlere, açtığı destek taleplerine ve çalıştığı şirkete bağlar. Böylece “bu müşterinin şirketi hangi ürünleri kullanıyor?” gibi çok adımlı bir soru, tek bir yolculukla cevaplanır.

Kısacası bilgi grafiği, verinin içindeki gizli ilişkileri görünür kılar. Tablo satırlarını ve belge paragraflarını “kim kimle, neyle ve nasıl bağlantılı?” sorusu etrafında yeniden düzenler. Bu düzen hem insanlar hem yapay zeka sistemleri için daha anlaşılırdır.

Bir örnek senaryo düşünün: Bir yazılım şirketinin destek ekibi, aynı hatayı bildiren yüzlerce talep alıyor. Talepler farklı kelimelerle yazıldığı için sistem hepsini ayrı sayıyor. Grafikte ise talepler tek bir hata düğümüne bağlanır. Ekip, hangi hatanın hangi ürün sürümünü ve hangi müşteriyi etkilediğini aynı bakışta görür.

Düğüm, kenar ve üçlü (özne, yüklem, nesne) nedir?

Bilgi grafiğinin üç temel yapı taşı vardır. Bunları anlarsanız terimin geri kalanı kolaylaşır.

• Düğüm (node): Bir varlığı temsil eder. Kişi, ürün, şehir, marka ya da bir kavram olabilir.
• Kenar (edge): İki düğüm arasındaki ilişkiyi gösterir. Örneğin “üretir”, “parçasıdır”, “çalışır” birer kenardır.
• Üçlü (triple): Bir gerçeği özne, yüklem ve nesne olarak yazan en küçük bilgi birimidir.

Örnek bir üçlüye bakalım. “Kamp çadırı” özne, “gerektirir” yüklem, “çadır zemin örtüsü” nesne olsun. Bu tek cümle grafikte iki düğüm ve aralarında bir kenar oluşturur. Binlerce üçlü yan yana geldiğinde ortaya bir ağ çıkar.

W3C'nin RDF Primer belgesi bu yapıyı resmi olarak tanımlar. Belgeye göre bir ifade her zaman “özne, yüklem, nesne” biçimindedir. Özneler ve nesneler grafiğin düğümlerini, yüklemler ise bağlayan kenarları oluşturur. Ayrıca belge, kaynakların küresel bir tanımlayıcıyla (IRI) adlandırılabildiğini söyler. Böylece farklı veri kümelerindeki aynı varlık birbirine bağlanabilir.

Bilgi grafiği nedir, adım adım nasıl çalışır?

Bir bilgi grafiğinin çalışması kavramsal olarak altı adımda anlatılabilir. Araçlar değişse de mantık aynı kalır. Önce ham veriyi toplar, sonra onu varlık ve ilişkilere çevirir, en sonunda sorgulanabilir hale getirirsiniz.

1. Veri kaynaklarını belirlersiniz: tablolar, belgeler, ürün kataloğu, destek kayıtları.
2. Varlık türlerini seçersiniz: ürün, müşteri, kategori, belge, kişi gibi.
3. Metinlerden ve tablolardan varlıkları ve ilişkileri çıkarırsınız. Bu adımı elle, kurallarla ya da bir dil modeliyle yapabilirsiniz.
4. Aynı varlığın farklı yazımlarını tek düğümde birleştirirsiniz. Buna varlık eşleştirme denir.
5. Üçlüleri bir grafik veritabanında saklarsınız.
6. Grafiği sorgularsınız ve sonuçları arama, öneri ya da yapay zeka cevabı için kullanırsınız.

Üçüncü adım en riskli olandır. Çünkü yanlış çıkarılan bir ilişki, grafikte sessizce yaşamaya devam eder. Bu nedenle çıkarım sonuçlarını örneklemeyle kontrol etmek ve kaynağı her üçlüyle birlikte saklamak iyi bir alışkanlıktır.

Sorgu aşamasında bir yol izlersiniz. Örneğin “bu tedarikçinin hangi ürünleri, hangi kategoriye bağlı?” sorusu, tedarikçi düğümünden başlayıp iki kenar boyunca ilerler. İlişkisel veritabanında aynı iş birden fazla tablo birleştirmesi gerektirebilir.

Ontoloji nedir ve bilgi grafiğinde ne işe yarar?

Ontoloji, bir alanda hangi varlık türlerinin ve ilişkilerin var olduğunu tarif eden ortak sözlüktür. W3C'nin OWL 2 genel bakışı ontolojileri “çoğunlukla belirli bir alanı kapsayan ve bir topluluğun paylaştığı biçimsel sözlükler” olarak tanımlar. Aynı belge, OWL 2'nin bu sözlükleri yazmak için tasarlanmış bir dil olduğunu belirtir.

Basit bir benzetme yapalım. Bilgi grafiği şehrin kendisi, ontoloji ise o şehrin imar kurallarıdır. Kuralda “bir ürün yalnızca bir kategoriye ait olur” ya da “bir müşteri sipariş verebilir ama sipariş müşteri veremez” gibi sınırlar yazar.

Ontolojinin faydası tutarlılıktır. Herkes “müşteri” kelimesini aynı anlamda kullanır. Ayrıca sistem, yazılmamış bilgileri kurallardan türetebilir. Örneğin “laptop bir bilgisayardır” ve “bilgisayar bir elektronik üründür” kuralları varsa, laptopun elektronik ürün olduğunu kendiliğinden çıkarır.

Her proje ağır bir ontolojiye ihtiyaç duymaz. Küçük başlayıp birkaç varlık türü ve ilişki tanımlamak çoğu zaman yeterlidir. Sonra ihtiyaç doğdukça sözlüğü büyütürsünüz.

Burada bir ayrım önemlidir. Ontoloji, veriyi tek başına saklamaz; veriye anlam çerçevesi verir. Yani bilgi grafiği olmadan bir ontoloji kâğıt üzerinde kalır. Ontoloji olmadan bir bilgi grafiği ise zamanla farklı ekiplerin farklı adlandırmalarıyla dağılabilir.

RDF grafiği ile özellik grafiği arasındaki fark nedir?

Bilgi grafiği kavram olarak tek bir biçime bağlı değildir. Pratikte iki yaygın modelle karşılaşırsınız.

RDF modeli W3C standardıdır. Her şey üçlülerle ifade edilir ve varlıklar küresel tanımlayıcılarla adlandırılır. Bu yüzden farklı kurumların verilerini birleştirmek ve ortak sözlük kullanmak kolaylaşır. Açık veri ve standart sözlük kullanan projeler çoğunlukla bu yolu seçer.

Özellik grafiği (property graph) modelinde ise hem düğümlere hem kenarlara özellikler eklersiniz. Örneğin “satın aldı” kenarına tarih ve tutar yazabilirsiniz. Şirket içi uygulamalarda esnek ve geliştirici dostu olduğu için sık tercih edilir.

Hangisini seçeceğiniz ihtiyaca bağlıdır. Veri paylaşımı ve standart uyumu önemliyse RDF mantıklıdır. Tek bir uygulamanın hızlı geliştirilmesi önemliyse özellik grafiği işinizi görür. İki model de aynı temel fikri taşır: varlıklar ve aralarındaki ilişkiler.

Bilgi grafiği vektör veritabanından ve ilişkisel veritabanından nasıl ayrılır?

Üç yaklaşım farklı sorulara cevap verir. Birbirinin rakibi olmaktan çok, tamamlayıcısıdır. Aşağıdaki tablo farkı özetler.

Vektör tarafını merak ediyorsanız embedding ve vektör veritabanı yazımıza göz atın. Orada anlamsal benzerliğin nasıl çalıştığını anlattık. Burada tekrar etmiyoruz.

Kısa özet şöyledir: Vektör “neye benziyor?” sorusunu, bilgi grafiği ise “neyle nasıl bağlantılı?” sorusunu cevaplar. İkisini birlikte kullanan sistemler hem benzerliği hem ilişkiyi yakalar.

GraphRAG nedir ve bilgi grafiğiyle ilgisi ne?

RAG, bir dil modelinin cevap vermeden önce harici belgelerden bilgi getirmesidir. Temelini RAG yazımızda anlattık. GraphRAG ise bu getirme adımına bilgi grafiği ekleyen bir yaklaşımdır.

Araştırma makalesinin özetine göre yöntem iki aşamada çalışır. Önce bir dil modeli kaynak belgelerden varlık odaklı bir bilgi grafiği çıkarır ve yakın ilişkili varlık gruplarının özetlerini önceden hazırlar. Sonra bir soru geldiğinde bu özetlerden kısmi cevaplar üretir ve hepsini son bir cevapta birleştirir.

Makale, klasik RAG'in “bu veri kümesindeki ana temalar nelerdir?” gibi bütün koleksiyonu ilgilendiren sorularda zorlandığını söyler. GraphRAG bu tür geniş sorularda daha kapsamlı ve çeşitli cevaplar hedefler.

Burada kısa tutuyoruz, çünkü yazının konusu bilgi grafiğidir. Şunu akılda tutun: GraphRAG bir ürün adı değil, bir yaklaşımdır. Hangi uygulamanın hangi varyantı sunduğunu sağlayıcının güncel belgesinden kontrol edin.

Ürün ilişkilerinde bilgi grafiği nedir, nasıl işe yarar?

Bir e-ticaret kataloğu düşünün. Her ürünün kategorisi, markası, uyumlu aksesuarları ve alternatifleri vardır. Bu ilişkiler bir tabloda sütun olarak durduğunda sorgulamak zorlaşır. Grafikte ise her ilişki doğrudan bir kenardır.

Örnek senaryo: Bir kamp malzemesi mağazası kataloğunu grafiğe çevirir. “Çadır” düğümü “zemin örtüsü” ve “uyku tulumu” düğümlerine “birlikte kullanılır” kenarıyla bağlanır. Kullanıcı çadır sayfasındayken sistem, tek bir yol izleyerek tamamlayıcı ürünleri listeler.

• Tamamlayıcı ürün önerisi: Birlikte kullanılan ürünleri ilişkiden okursunuz.
• Alternatif ürün önerisi: Aynı kategorideki benzer ürünlere kenarla ulaşırsınız.
• Uyumluluk kontrolü: “Bu aksesuar bu modele uyar mı?” sorusunu ilişkiden cevaplarsınız.
• Tutarlı yapısal veri: Aynı ilişkilerden ürün sayfalarındaki işaretlemeyi beslersiniz.

Ürünlerin yapay zeka önerilerinde görünmesi de ilişkili bir konudur. Bu konuyu e-ticaret için GEO yazımızda ele aldık.

Bu yaklaşımın bir sınırı da vardır. Katalog verisi eksikse ya da kategoriler tutarsızsa grafik bunu düzeltmez, sadece görünür kılar. Dolayısıyla ürün ilişkilerini grafiğe taşımadan önce adlandırma kurallarını netleştirmeniz gerekir.

İç bilgi yönetiminde bilgi grafiği ne işe yarar?

Şirket içinde bilgi; politika belgeleri, toplantı notları, proje dosyaları ve destek kayıtları arasında dağılır. Çalışanlar doğru belgeyi bulmak için zaman kaybeder. Çoğu zaman da kimin neyi bildiğini kimse tam olarak bilmez.

Bilgi grafiği bu dağınıklığı bir ilişki ağına çevirir. Belge, proje, ekip, müşteri ve süreç birer düğüm olur. “Bu müşteriyle hangi projeler yapıldı ve o projelerin sorumluları kim?” sorusu tek yolculukla cevap bulur.

Örnek senaryo: Bir danışmanlık şirketi geçmiş tekliflerini, ilgili sözleşmeleri ve proje sorumlularını grafiğe bağlar. Yeni bir teklif hazırlayan çalışan, benzer projeleri ve onlarda çalışan kişileri hızlıca görür. Böylece aynı işi sıfırdan yapmaz.

Bu yapıyı bir dil modeliyle birleştirirseniz çalışanlar doğal dille soru sorabilir. Model, grafikten doğru bağlamı alır ve kaynağıyla birlikte cevap verir. Ekibimizin bu alandaki çalışmaları için kurumsal bilgi asistanı sayfamıza bakabilirsiniz.

Google Bilgi Grafiği nedir ve bilgi paneliyle ilişkisi nedir?

Google Bilgi Grafiği, Google'ın arama sonuçlarında kullandığı, gerçek dünya varlıklarını ve ilişkilerini tutan kendi bilgi grafiğidir. Kamuya açık bir veritabanı gibi erişemezsiniz. Fakat çıktısını arama sonuçlarında görürsünüz.

En görünür çıktısı bilgi panelidir. Bir marka, kişi ya da yer aradığınızda sağda veya üstte çıkan özet kutusudur. Google'ın yardım sayfasına göre bilgi paneli içeriği, web'deki herkese açık bilgilere dayanarak otomatik oluşur.

Aynı sayfa önemli bir sınırı da söyler: Google'ın mevcut politikası bilgi panellerini elle oluşturmak ya da silmek değildir. Geri bildirim gönderebilirsiniz, ancak kimliğini doğrulayan temsilcilerin geri bildirimi öncelikli değerlendirilir. Yine de bu bir kabul garantisi değildir.

Yani bilgi paneli, bilgi grafiğinin kullanıcıya dönük yüzlerinden biridir. Sizin kendi bilgi grafiğiniz ise Google'dan bağımsız, işinize özel bir yapıdır. İkisi aynı fikre dayanır ama ayrı sistemlerdir.

Markanızın bilgi panelinde doğru görünmesi için ne yapabilirsiniz?

Panel otomatik oluştuğu için size düşen, web'deki bilginizi tutarlı ve doğrulanabilir kılmaktır. Hiçbir adım panel çıkacağını garanti etmez. Fakat bu adımlar, sistemin markanızı doğru anlama ihtimalini artırır.

1. Marka adınızı, adresinizi ve temel bilgilerinizi web sitenizde ve diğer kaynaklarda aynı yazın.
2. Hakkında sayfanızı net tutun: kim olduğunuzu, ne yaptığınızı ve nerede olduğunuzu açıkça söyleyin.
3. Yapısal veri işaretlemesi ekleyin. Kurumsal varlığınızı makinelerin okuyacağı biçimde tarif edersiniz.
4. Resmi sosyal medya hesaplarınızı ve profillerinizi sitenizle birbirine bağlayın.
5. Panel varsa ve yanlış bilgi içeriyorsa, Google'ın sunduğu geri bildirim yolunu kullanın.

İşaretlemeyi yazarken schema markup rehberimizden ve şema oluşturucu aracımızdan yararlanabilirsiniz. Bu yaklaşımın yapay zeka aramalarına etkisini ise GEO yazımızda anlattık.

Marka görünürlüğü üzerine kapsamlı destek isterseniz yapay zeka SEO ve GEO hizmet sayfamıza göz atın.

Bilgi grafiğini sorgulamak için hangi dil kullanılır?

Grafik veritabanlarının kendi sorgu dilleri vardır. RDF dünyasında W3C'nin tanımladığı SPARQL sorgu dili yaygındır. Özellik grafiği tarafında ise ürüne göre değişen, yol odaklı sorgu dilleri kullanılır. Ayrıntıyı bu yazıda vermiyoruz, çünkü sözdizimi sağlayıcıdan sağlayıcıya değişir.

Kavram olarak sorgu bir desen eşleştirmedir. “Bir ürün düğümü, ona bağlı bir kategori düğümü ve o kategoriye bağlı bir marka düğümü bul” dersiniz. Sistem, grafikte bu desene uyan bütün yolları getirir.

Bu yaklaşımın bir faydası da şudur: Sorgu, ilişkilerin adlarını açıkça içerir. Bu nedenle sonucu okuyan biri, cevabın neden o çıktığını görebilir. Ayrıca iş birimleriyle konuşmak kolaylaşır, çünkü “ürün, kategori, marka” gibi sözcükler zaten herkesin diline aittir.

Teknik olmayan kullanıcılar için ise bir dil modeli araya girebilir. Kullanıcı doğal dille sorar, model soruyu sorguya çevirir ve sonucu insan diline geri dönüştürür. Üretilen sorguyu çalıştırmadan önce kontrol etmek, özellikle veri değiştiren işlemlerde önemlidir.

Bilgi grafiği dil modellerinin hatalarını azaltabilir mi?

Dil modelleri akıcı konuşur ama bazen yanlış bilgiyi güvenle söyler. Bu davranışa halüsinasyon denir. Bilgi grafiği bu sorunu tek başına çözmez; fakat modele doğrulanabilir bir bağlam verdiği için riski azaltmaya yardım edebilir.

Nedeni basittir. Model, cevap vermeden önce grafikten ilgili varlıkları ve ilişkileri alır. Cevabını bu somut gerçeklere dayandırır. Üstelik her üçlünün kaynağını saklıyorsanız, cevaba kaynak da ekleyebilirsiniz.

Yine de dikkatli olun. Grafikte yanlış bir ilişki varsa model onu da doğru kabul eder. Dolayısıyla grafiğin kalitesi, cevabın kalitesini doğrudan belirler. Hata oranı hakkında kesin bir söz vermek de mümkün değildir; sonuçları kendi verinizle test edin.

• Önce kritik soruların küçük bir listesini hazırlayın.
• Her soru için doğru cevabı elle yazın.
• Modeli grafikli ve grafiksiz çalıştırıp cevapları karşılaştırın.
• Yanlış çıkan örnekleri grafikteki ilişkilere kadar izleyin ve düzeltin.

Bilgi grafiği düşüncesi SEO içerik planlamasına nasıl yardım eder?

Arama motorları ve yapay zeka sistemleri sayfaları yalnızca kelime olarak değil, anlattığı varlıklar olarak da değerlendirir. Bu nedenle kendi sitenizin içeriğini bir varlık haritası olarak düşünmek faydalıdır. Elbette bu, sıralama garantisi vermez; planlamayı düzenli kılan bir bakış açısıdır.

Örnek senaryo: Bir mutfak ekipmanı sitesi, ürünleri, kullanım amaçlarını ve ilgili tarif türlerini düğüm olarak çizer. Haritaya bakınca “espresso makinesi” ile “değirmen” arasında güçlü bir ilişki olduğunu ama aralarında bir rehber yazı bulunmadığını fark eder.

Böylece boşlukları görürsünüz. Hangi varlığın hangi içerikle anlatıldığını, hangi ilişkinin hiç işlenmediğini tek bakışta okursunuz. Ardından iç bağlantıları bu ilişkilere göre kurarsınız.

Bu çalışma için karmaşık bir grafik veritabanı şart değildir. Bir tablo ya da çizim aracı da işinizi görür. Önemli olan, varlıkları ve ilişkileri bilinçli biçimde adlandırmaktır.

Bilgi grafiğinin avantajları nelerdir?

Bilgi grafiği her sorun için doğru araç değildir. Fakat ilişki ağırlıklı işlerde belirgin faydalar sağlar.

• Açıklanabilirlik: Bir sonuca hangi ilişkiler yoluyla ulaştığınızı gösterebilirsiniz.
• Esneklik: Yeni bir ilişki türü eklemek için bütün şemayı baştan kurmanız gerekmez.
• Veri birleştirme: Farklı kaynaklardaki aynı varlığı tek düğümde toplarsınız.
• Çok adımlı sorgular: Birkaç ilişki boyunca ilerleyen soruları doğal biçimde cevaplarsınız.
• Yapay zeka desteği: Dil modeline doğrulanabilir ve yapılandırılmış bağlam sunarsınız.

Özellikle açıklanabilirlik çoğu işletme için en değerli noktadır. Bir öneri neden yapıldı sorusuna “bu ürün şu kategoriye bağlı ve şu ürünle birlikte kullanılıyor” diye cevap verebilirsiniz. Bu, kara kutu bir tahminden çok daha güven vericidir.

Bilgi grafiğinin sınırları ve riskleri nelerdir?

Emek maliyeti ilk sınırdır. Şemayı tasarlamak, veriyi temizlemek ve grafiği güncel tutmak sürekli iş ister. Grafik bir kez kurulup bırakılan bir yapı değildir.

• Veri kalitesi: Kaynak veri hatalıysa grafik hatayı ilişkilerle büyütür.
• Yanlış çıkarım: Dil modeliyle çıkarılan ilişkiler yanlış olabilir. Örneklemeyle denetleyin.
• Şema karmaşası: Çok fazla varlık türü tanımlarsanız kimse kullanamaz hale gelir.
• Bakım yükü: İş değiştikçe ilişkiler de değişir. Güncelleme sahibini belirleyin.
• Kişisel veri: Kişilere ait ilişkiler hassastır. KVKK kapsamını değerlendirmeniz gerekir.

Bu yazı hukuki danışmanlık değildir. Kişisel veri içeren bir grafik kuracaksanız hukuk danışmanınızla çalışın. Ayrıca erişim yetkilerini ilişki düzeyinde düşünün, çünkü bir düğümü gizlemek bağlı kenarları da etkiler.

Son olarak beklenti yönetimi gelir. Grafik, kurulduğu gün değer üretmez. İlk haftalarda şema değişir, veri temizlenir, bazı sorular beklenenden zor çıkar. Bu süreci baştan paydaşlara anlatmak, projeyi erken bırakma riskini azaltır.

Bilgi grafiği ne zaman gereksizdir?

Her veri kümesi grafiğe ihtiyaç duymaz. Önce sorunun ilişki odaklı olup olmadığına bakın.

Verileriniz düzenli tablolarda duruyor ve sorularınız toplama, filtreleme ve sıralamadan ibaretse ilişkisel veritabanı yeter. Örneğin “bu ay kaç sipariş geldi?” sorusu için grafiğe gerek yoktur.

Sorularınız yalnızca “buna anlamca benzeyen içerikler hangileri?” biçimindeyse vektör arama çoğu zaman yeterli olur. Bilgi grafiği, ilişki zincirleri önem kazandığında değer üretir.

Küçük bir pilotla başlamak en sağlıklı yoldur. Tek bir soru seçin, örneğin “hangi ürünler birlikte kullanılıyor?” sorusunu. Basit bir tabloyla ya da küçük bir grafikle deneyin. Fayda görmezseniz yatırımı büyütmeden vazgeçebilirsiniz.

Karar verirken şu soruyu kendinize sorun: Cevabı bulmak için kaç tablo ya da belge arasında gidip gelmem gerekiyor? Cevap bir ya da iki ise grafik büyük olasılıkla fazla gelir. Cevap beş, altı adım ve farklı kaynaklar gerektiriyorsa, ilişkileri açıkça modellemek zaman kazandırır.

Bilgi grafiği ile sık karıştırılan terimler arasındaki fark nedir?

Konuyla ilgili birçok terim birbirine karışır. Aşağıdaki tablo, her birinin ne olduğunu ve bilgi grafiğinden nerede ayrıldığını özetler.

Tablodaki terimlerin hiçbiri tek başına bilgi grafiğinin yerini tutmaz. Birbirini tamamlarlar. Örneğin schema markup sitenizin dışa açılan yüzüdür, bilgi grafiği ise içerideki bütün ilişki ağıdır.

Projeye başlamadan önce hangi kontrol listesini izlemelisiniz?

Aşağıdaki liste, işletme sahibi ve geliştirici için pratik bir başlangıç noktasıdır. Maddeleri sırayla cevaplayın.

1. Hangi tek iş sorusunu cevaplamak istiyorsunuz? Soruyu yazın.
2. Bu soru gerçekten ilişki zinciri gerektiriyor mu, yoksa tablo mu yeter?
3. Hangi veri kaynakları grafiğe girecek ve sahibi kim?
4. Hangi varlık türleri ve ilişkiler gerekli? Küçük bir liste yapın.
5. Aynı varlığın farklı yazımlarını nasıl birleştireceksiniz?
6. Her üçlünün kaynağını ve güncellenme zamanını saklıyor musunuz?
7. Kişisel veri içeriyor mu? Erişim ve saklama kuralları hazır mı?
8. Başarıyı nasıl ölçeceksiniz? Pilot için bir ölçüt belirleyin.
9. Grafiği kim güncelleyecek? Bakım sorumlusunu atayın.

Bu listeyi bir toplantıda cevaplamak çoğu zaman projenin gerçek kapsamını ortaya çıkarır. Böylece gereksiz karmaşıklıktan kaçınır, pilotu küçük tutarsınız.

Bilgi grafiğinden sonra hangi yapay zeka terimlerine bakmalısınız?

Bilgi grafiği, yapay zeka sistemlerinin yalnızca bir parçasıdır. Komşu terimler için serideki diğer yazılara göz atabilirsiniz. Burada yalnızca bağlantıyı gösteriyoruz.

Bir dil modelinin dış sistemlere erişmesi için kullanılan açık standardı MCP yazımızda anlattık. Bir bilgi grafiği sorgusunu modele araç olarak sunmak, bu tür bir bağlantının tipik örneklerinden biridir.

Modelin cevap üretme anına ise çıkarım (inference) yazımızdan bakabilirsiniz. Grafikten gelen bağlam, modele çıkarım sırasında verilir. Modelin ne olduğunu hatırlamak isterseniz büyük dil modelleri yazımız iyi bir başlangıçtır.

Modelin grafikte sorgu çalıştırmasını sağlayan mekanizma ise function calling yazımızda açıklanıyor.

Ekibimizle bu konuda nasıl çalışabilirsiniz?

Talha Aslan ve ekibi olarak, bilgi grafiği gibi kavramları işinize uygun olup olmadığına göre değerlendiriyoruz. Önce ihtiyacı birlikte netleştiriyoruz, sonra gerekiyorsa küçük bir pilot öneriyoruz. Her işletmeye grafik önermiyoruz; bazen tablo ve iyi bir arama yeterli.

Yapay zeka destekli iç arama, belge asistanı ya da veri entegrasyonu gibi konularda danışmanlık için yapay zeka ve otomasyon hizmetlerimize bakabilirsiniz.

Özetle bilgi grafiği nedir sorusunun cevabı basittir: bilgiyi ilişkileriyle saklamak. Asıl iş, hangi ilişkilerin işinize değer kattığını seçmektir. Küçük başlayın, kaynağı koruyun ve sonuçları ölçün.

Bu yazı, serideki diğer terim yazılarıyla birlikte okunduğunda daha da anlam kazanır. Bir terimi öğrenmek kolaydır; asıl değer, terimlerin işinizdeki hangi soruna karşılık geldiğini görmektir. Hazır olduğunuzda küçük bir pilot sorusuyla başlamanızı öneririz.