{"id":4696,"date":"2024-10-02T13:28:59","date_gmt":"2024-10-02T13:28:59","guid":{"rendered":"https:\/\/haimagazine.com\/?p=4696"},"modified":"2025-06-26T13:50:58","modified_gmt":"2025-06-26T11:50:58","slug":"graf-wiedzy-i-ai-synergiczna-wspolpraca-w-biznesie","status":"publish","type":"post","link":"https:\/\/haimagazine.com\/pl\/hai-magazine\/graf-wiedzy-i-ai-synergiczna-wspolpraca-w-biznesie\/","title":{"rendered":"\ud83d\udd12 Graf wiedzy i AI: synergiczna wsp\u00f3\u0142praca w biznesie"},"content":{"rendered":"

Opublikowany w 1736 roku artyku\u0142 podnosi\u0142 (i rozwi\u0105zywa\u0142) kwesti\u0119 tego, czy mo\u017cna przej\u015b\u0107 przez wszystkie siedem most\u00f3w w Kr\u00f3lewcu, przekraczaj\u0105c ka\u017cdy z nich tylko raz. Do tej oraz nowszych prac naukowych odsy\u0142am po matematyczny wymiar tematyki graf\u00f3w \u2013 tutaj skupimy si\u0119 na praktycznych zastosowaniach graf\u00f3w wiedzy oraz ich synergicznej wsp\u00f3\u0142pracy z AI na potrzeby biznesu.<\/p>

A czym s\u0105 w takim razie grafy wiedzy? To struktury danych, kt\u00f3re \u0142\u0105cz\u0105c informacje w sp\u00f3jny i zrozumia\u0142y spos\u00f3b, pozwalaj\u0105 na szybkie i \u0142atwe odnalezienie powi\u0105za\u0144 mi\u0119dzy tymi informacjami i w efekcie na efektywniejsze zarz\u0105dzanie danymi. Skoro mamy zaawansowan\u0105, ale statyczn\u0105 struktur\u0119 modelu, to czy zamiast ucz\u0105cych si\u0119 modeli wystarczy nam tradycyjna algorytmika i programowanie? Nie do ko\u0144ca \u2013 przestrzeni na wspomaganie si\u0119 sztuczn\u0105 inteligencj\u0105 jest tu sporo. Generatywna sztuczna inteligencja (GenAI) mo\u017ce nam pomaga\u0107 w budowaniu takich struktur, a g\u0142\u0119bokie sieci neuronowe mog\u0105 podejmowa\u0107 na ich podstawie decyzje. Przyjrzyjmy si\u0119 zatem synergii graf\u00f3w wiedzy i sztucznej inteligencji z bliska.<\/p>

Zacznijmy od graf\u00f3w spo\u0142ecznych<\/h4>

Gdy pojawi\u0142a si\u0119 sie\u0107 Internet, ludzie zacz\u0119li \u0142\u0105czy\u0107 si\u0119 w grupy dyskusyjne, grupy w komunikatorach (np. IRC), na chacie czy wysy\u0142a\u0107 do siebie setki wiadomo\u015bci. Wraz z tym rozwojem, zar\u00f3wno w artyku\u0142ach naukowych, jak i w analizach biznesowych, zacz\u0119\u0142y pojawia\u0107 si\u0119 tzw. grafy spo\u0142eczne (ang. social graph). Graf spo\u0142eczny to reprezentacja relacji i interakcji mi\u0119dzy jednostkami w danej sieci spo\u0142ecznej. W\u0119z\u0142y reprezentuj\u0105 w\u00f3wczas osoby lub grupy, a kraw\u0119dzie odzwierciedlaj\u0105 typy relacji pomi\u0119dzy nimi, takie jak znajomi, obserwowanie, wsp\u00f3\u0142praca. Typ grafu, jakim jest graf spo\u0142eczny, wprowadzono ju\u017c w latach sze\u015b\u0107dziesi\u0105tych ubieg\u0142ego wieku, chocia\u017c jego korzenie si\u0119gaj\u0105 analiz sieci spo\u0142ecznych, kt\u00f3re narodzi\u0142y si\u0119 jeszcze wcze\u015bniej (w latach trzydziestych), \u0142\u0105cz\u0105c wiedz\u0119 z psychologii spo\u0142ecznej, socjologii, statystyki i wspomnianej ju\u017c matematycznej teorii graf\u00f3w. Do popularyzacji terminu \u201egraf spo\u0142eczny\u201d mocno przyczyni\u0142a si\u0119 te\u017c po latach konferencja Facebooka F8 24 maja 2007 roku, gdy u\u017cyto go do wyja\u015bnienia, w jaki spos\u00f3b nowo wprowadzona platforma Facebook wykorzysta relacje mi\u0119dzy osobami, \u017ceby oferowa\u0107 bogatsze do\u015bwiadczenia w sieci.<\/p>

\"\"
Rys.1. Graf spo\u0142eczny (ang. social graph) (\u017ar\u00f3d\u0142o<\/a>)<\/p>

Dlaczego zaczynamy od graf\u00f3w spo\u0142ecznych? Poniewa\u017c pojawi\u0142y si\u0119 one jeszcze przed er\u0105 zaawansowanej sztucznej inteligencji, ju\u017c wtedy dowodz\u0105c szerokiego potencja\u0142u. Znalaz\u0142y zastosowanie w systemach zarz\u0105dzania, dopasowywania reklam, wykrywania oszustw i przest\u0119pstw (np. logi po\u0142\u0105cze\u0144 telefonicznych). Mimo \u017ce koncentruj\u0105 si\u0119 one wy\u0142\u0105cznie na relacjach spo\u0142ecznych i interakcjach mi\u0119dzy lud\u017ami, pokaza\u0142y swoj\u0105 warto\u015b\u0107 w biznesie.<\/p>

Teraz spr\u00f3bujmy sobie wyobrazi\u0107 takie trio: opr\u00f3cz relacji mi\u0119dzyludzkich do grafu dodajemy szerszy zakres, obejmuj\u0105cy wszelkiego rodzaju dodatkowe informacje i ich relacje semantyczne, czyli graf wiedzy. Dodatkowo, wiedza potrzebna do grafu jest wydobywana za pomoc\u0105 bardzo skutecznej generatywnej inteligencji, kt\u00f3ra potrafi przetwarza\u0107 nieustrukturyzowane dane. Na koniec dodajemy jeszcze tzw. Graph Neural Networks (GNN), czyli grafow\u0105 sie\u0107 neuronow\u0105 (model sztucznej inteligencji), kt\u00f3ra mo\u017ce analizowa\u0107 i przewidywa\u0107 nowe po\u0142\u0105czenia w naszym oryginalnym grafie. W ten spos\u00f3b tworzymy pot\u0119\u017cne narz\u0119dzie do zarz\u0105dzania wiedz\u0105 w biznesie.<\/p>

Grafy wiedzy<\/h3>

Graf wiedzy jest baz\u0105, kt\u00f3ra wykorzystuje topologi\u0119 (model danych) o strukturze grafu do reprezentowania i operowania na danych. Sk\u0142ada si\u0119 z nazwanych w\u0119z\u0142\u00f3w, kt\u00f3re reprezentuj\u0105 obiekty, takie jak osoby, miejsca, firmy, produkty, oraz nazwanych kraw\u0119dzi (inaczej relacji), kt\u00f3re reprezentuj\u0105 po\u0142\u0105czenia mi\u0119dzy tymi w\u0119z\u0142ami. Grafy wiedzy s\u0105 wykorzystywane m.in. przez przegl\u0105darki internetowe (Google, Bing), sieci spo\u0142eczno\u015bciowe i wszelkie us\u0142ugi odpowiadaj\u0105ce na pytania (Siri, Alexa).<\/p>

Patrz\u0105c na powy\u017cszy przyk\u0142adowy graf wiedzy (rys. 1), kt\u00f3ry przedstawia kilka obiekt\u00f3w i powi\u0105za\u0144 mi\u0119dzy nimi, \u0142atwo mo\u017cna sobie wyobrazi\u0107, \u017ce w praktyce modelowanie pewnego obszaru wiedzy, np. produkt\u00f3w danej firmy, klient\u00f3w i ich zachowa\u0144, obejmuje setki tysi\u0119cy w\u0119z\u0142\u00f3w i po\u0142\u0105cze\u0144. Na szcz\u0119\u015bcie popularno\u015b\u0107 graf\u00f3w w \u015bwiecie biznesu spowodowa\u0142a, \u017ce na rynku dost\u0119pnych jest wiele baz danych, tzw. baz grafowych, przeznaczonych do gromadzenia i przetwarzania danych w formie struktur grafowych. Co wa\u017cne, podobnie jak SQL w przypadku baz relacyjnych, bazy grafowe r\u00f3wnie\u017c udost\u0119pniaj\u0105 j\u0119zyk zapyta\u0144, kt\u00f3ry umo\u017cliwia szybkie i efektywne pobieranie odpowiednich danych:<\/p>

MATCH (e:Employee)-[:WORKS_AT]->(c:Company {sector: 'Bankowo\u015b\u0107'})
WHERE e.role IN ['Cz\u0142onek Zarz\u0105du', 'Dyrektor']
RETURN e.name, e.role, c.name<\/code><\/p>

Powy\u017cej pzyk\u0142adowe zapytania w j\u0119zyku Cypher (baza grafowa Neo4j) maj\u0105ce wydoby\u0107 z grafu wszystkich dyrektor\u00f3w i cz\u0142onk\u00f3w zarz\u0105du z firm z sektora \u201eBankowo\u015b\u0107\u201d.<\/p>

Je\u015bli chodzi o wizualizacj\u0119 graf\u00f3w wiedzy, istnieje szereg pakiet\u00f3w zar\u00f3wno w Pythonie, jak i JavaScript, kt\u00f3re pozwalaj\u0105 szybko i bezproblemowo tworzy\u0107 takie wizualizacje. Przyk\u0142adami s\u0105 NetworkX<\/strong>, Vis.js<\/strong> oraz jego odpowiednik dla Pythona \u2013 PyVis<\/strong>, a tak\u017ce D3.js<\/strong> i wiele innych.<\/p>

Mamy gdzie przechowywa\u0107 grafy, jak je odpowiednio pobiera\u0107 i analizowa\u0107, oraz \u015bwietne pakiety do wizualizacji. Ale sk\u0105d wzi\u0105\u0107 dane<\/strong>? Tutaj na scen\u0119 wkraczaj\u0105 du\u017ce modele j\u0119zykowe. Wystarczy stworzy\u0107 prosty prompt (cho\u0107 warto go rozbudowa\u0107 do bardziej zaawansowanego), u\u017cy\u0107 modelu, np. GPT-4<\/strong> czy Claude<\/strong> (bo pozwala na bezpieczne u\u017cytkowanie w przypadku poufnych danych firm), i dostarczy\u0107 tekst zawieraj\u0105cy nieustrukturyzowan\u0105 wiedz\u0119, takie jak opisy produkt\u00f3w, biografie os\u00f3b, struktury organizacyjne, procedury, czy opisy firm i klient\u00f3w. No i mamy to!<\/p>

Oto prosty przyk\u0142ad:<\/p>

Przeanalizuj dok\u0142adnie poni\u017cszy tekst i wydob\u0105d\u017a wszystkie obiekty oraz relacje mi\u0119dzy nimi, aby stworzy\u0107 szczeg\u00f3\u0142owy graf wiedzy (knowledge graph). Wynik przedstaw jako dwie listy obiekt\u00f3w w formacie JSON. Lista \u201anodes\u2019 powinna zawiera\u0107 obiekty z kluczem \u201aname\u2019 (w j\u0119zyku polskim). Lista \u201aedges\u2019 powinna zawiera\u0107 obiekty z kluczami \u201anode1\u2019, \u201anode2\u2019, \u201alabel\u2019 (w j\u0119zyku angielskim).<\/code><\/p>

\u201c\u201c\u201cSebastian Kondracki \u2013 ekspert ds. transformacji cyfrowej z naciskiem na innowacje i sztuczn\u0105 inteligencj\u0119 (AI). Chief Innovation Officer w firmie Deviniti. Autor ksi\u0105\u017cki \u201ePython i AI dla e-commerce\u201d, bada wp\u0142yw \u201eotwarto\u015bci\u201d (open science, open data, open source) na kreatywno\u015b\u0107 i innowacyjno\u015b\u0107. Specjalizuje si\u0119 w du\u017cych modelach j\u0119zykowych (LLM) i generatywnych systemach AI w biznesie. Cz\u0142onek Podgrupy Bada\u0144, Innowacyjno\u015bci i Wdro\u017ce\u0144 Grupy Roboczej ds. Sztucznej Inteligencji przy Ministerstwie Cyfryzacji i lider grupy badawczej ds. AI w SoDA\u2026.\u201d\u201d\u201d<\/code><\/p>

\"\"
Rys. 2. Przyk\u0142adowy graf wiedzy przedstawiaj\u0105cy otoczenie autora<\/em><\/p>

'''json
[ 
{ \"name\": \"Sebastian Kondracki\" }, 
{ \"name\": \"transformacja cyfrowa\" }, 
{ \"name\": \"innowacje\" }, 
{ \"name\": \"sztuczna inteligencja\" }, 
{ \"name\": \"Chief Innovation Officer\" }, 
{ \"name\": \"Deviniti\" }, 
{ \"name\": \"Python i AI dla e-commerce\"}, 
{ \"name\": \"otwarto\u015b\u0107\" },
...
]
'''
[
{\u201enode1\u201d: \u201eSebastian Kondracki\u201d, \u201enode2\u201d: \u201eBielik 7B\u201d, \u201elabel\u201d: \u201eco-creator of\u201d},
{\u201enode1\u201d: \u201eBielik 7B\u201d, \u201enode2\u201d: \u201emodel bazowy\u201d, \u201elabel\u201d: \u201eincludes\u201d},
{\u201enode1\u201d: \u201eBielik 7B\u201d, \u201enode2\u201d: \u201emodel instrukcyjny\u201d, \u201elabel\u201d: \u201eincludes\u201d},
\u2026
]<\/code><\/p>

Ponadto nie zapominajmy o modelach multimodalnych. Daj\u0105 one naprawd\u0119 ogromne pole do popisu, zw\u0142aszcza w bran\u017cy e-commerce, kt\u00f3rej zdecydowan\u0105 wi\u0119kszo\u015bci\u0105 s\u0105 opisy obraz\u00f3w. Setki tysi\u0119cy zdj\u0119\u0107 produkt\u00f3w i os\u00f3b, diagram\u00f3w, skomplikowanych tabel, instrukcji obs\u0142ugi mo\u017cemy zamieni\u0107 na ustrukturyzowane dane. Chcecie dow\u00f3d? Po prostu zmie\u0144cie powy\u017cszy pocz\u0105tek promptu na \u201ePrzeanalizuj podany obraz\u2026\u201d, wgrajcie przyk\u0142adowe zdj\u0119cie i ju\u017c mo\u017cecie szuka\u0107 zastosowa\u0144 biznesowych, w kt\u00f3rych mo\u017cna to wykorzysta\u0107, np. w ramach pozyskiwania nowych klient\u00f3w czy zwi\u0119kszania warto\u015bci koszyka zakup\u00f3w w e-sklepie.<\/p>

\"\"
Rys. 3. Graf wiedzy wykonany na podstawie analizy tekstu przez GPT-4 i zwizualizowany za pomoc\u0105 pakietu PyVis<\/em><\/p>

GRAFY WIEDZY I PYTHON \u2013 KR\u00d3TKI PRZEWODNIK<\/mark><\/h3>
NetworkX to pakiet Python do tworzenia, zarz\u0105dzania i analizy z\u0142o\u017conych sieci, m.in. graf\u00f3w wiedzy w pami\u0119ci operacyjnej.
https:\/\/networkx.org\/<\/mark><\/mark><\/a>

Neo4j to tzw. grafowa baza danych (GDB). Jest przeznaczona do trwa\u0142ego przechowywania i zarz\u0105dzania du\u017cymi grafami. Idealna dla aplikacji produkcyjnych, kt\u00f3re wymagaj\u0105 wysokiej wydajno\u015bci i skalowalno\u015bci. Darmowa wersja chmurowa pozwala na eksperymenty z poka\u017anymi grafami.
https:\/\/neo4j.com\/<\/mark><\/a>

PyVis to biblioteka Python do wizualizacji graf\u00f3w. Umo\u017cliwia tworzenie interaktywnych i estetycznych wizualizacji, kt\u00f3re mog\u0105 by\u0107 przegl\u0105dane w przegl\u0105darkach internetowych. Jest oparta na popularnej bibliotece JavaScript Vis.js i pozwala na \u0142atw\u0105 integracj\u0119 z Jupyter Notebook oraz innymi \u015brodowiskami Python. PyVis jest idealna do eksploracji i prezentacji z\u0142o\u017conych struktur danych w formie graf\u00f3w.
https:\/\/github.com\/WestHealth\/pyvis<\/mark><\/a><\/td><\/tr><\/tbody><\/table><\/figure>

<\/h4>

Grafy wiedzy i AI<\/h4>

Ju\u017c wiemy, jak tworzy\u0107 ogromne bazy wiedzy w postaci graf\u00f3w. A jak wykorzysta\u0107 sztuczn\u0105 inteligencj\u0119 do przetwarzania tej wiedzy i zastosowa\u0107 j\u0105 w praktyce? Oto kilka przyk\u0142ad\u00f3w synergii graf\u00f3w i AI.
Po pierwsze, naturalnym kandydatem jest technika wydobywania informacji zwana RAG (Retrieval Augmented Generation, opisywana w nr 1 \u201ehAI Magazine\u201d). Dane mog\u0105 by\u0107 pobierane nie tylko z bazy wektorowej (jak zazwyczaj w RAG), ale te\u017c z bazy grafowej. W przypadku pyta\u0144 o pracownik\u00f3w, specjalizacje, struktur\u0119 organizacyjn\u0105 czy struktur\u0119 produkt\u00f3w grafy wiedzy mog\u0105 by\u0107 lepszym \u017ar\u00f3d\u0142em ni\u017c nieustrukturyzowany tekst.<\/p>

Po pierwsze, naturalnym kandydatem jest technika wydobywania informacji zwana RAG (Retrival Augmented Generation, opisywana w nr 1 \u201ehAI Magazine\u201d). Dane mog\u0105 by\u0107 pobierane nie tylko z bazy wektorowej (jak zazwyczaj w RAG), ale te\u017c z bazy gra- fowej. W przypadku pyta\u0144 o pracownik\u00f3w, specjalizacje, struktur\u0119 organizacyjn\u0105 czy struktur\u0119 produkt\u00f3w grafy wiedzy mog\u0105 by\u0107 lepszym \u017ar\u00f3d\u0142em ni\u017c nieustrukturyzowany tekst.<\/p>

<\/p>

GRAFY WIEDZY I RAG \u2013 KR\u00d3TKI PRZEWODNIK<\/h3>

Je\u015bli nie chcesz r\u0119cznie budowa\u0107 prompt\u00f3w, parsowa\u0107 odpowiedzi i zapisywa\u0107 ich w grafowych bazach wiedzy, mo\u017cesz skorzysta\u0107 z dedykowanych pakiet\u00f3w do komunikacji z LLM i ich bibliotek grafowych. Zar\u00f3wno LangChain, z modu\u0142em LLM Graph Transformer, jak i LlamaIndex, z modu\u0142em Knowledge Graph Index, pozwalaj\u0105 szybko przekszta\u0142ci\u0107 tekst w strukturalne grafy za pomoc\u0105 LLM. Wyb\u00f3r modelu LLM wp\u0142ywa na dok\u0142adno\u015b\u0107 i szczeg\u00f3\u0142owo\u015b\u0107 wygenerowanych danych grafowych. <\/p>

LangChain poszed\u0142 jeszcze dalej, wprowadzaj\u0105c oddzielny framework LangGraph (https:\/\/langchain-ai.github.io\/langgraph\/<\/mark><\/a>) oraz komercyjn\u0105 wersj\u0119 LangGraph Cloud, kt\u00f3re \u0142\u0105cz\u0105 idee LangChain i NetworkX.<\/p>

Dodatkowo na rynku pojawi\u0142 si\u0119 pakiet Microsoft GraphRAG, do budowania ca\u0142ych RAG-\u00f3w opartych na grafach z opisanymi metrykami jako\u015bciowymi. Wi\u0119cej informacji GraphRAG znajdziesz tutaj: https:\/\/arxiv.org\/pdf\/<\/mark><\/a>2404.16130<\/mark><\/a><\/p>

Przetestuj powy\u017csze rozwi\u0105zania:
https:\/\/github.com\/langchain-ai\/langchain<\/a>
https:\/\/github.com\/run-llama\/llama_index<\/a>
https:\/\/github.com\/microsoft\/graphrag<\/a><\/mark><\/p>

Po drugie, specjalizowane grafowe sieci neuronowe, czyli GNN. Wyobra\u017amy sobie, \u017ce mamy graf wiedzy zawieraj\u0105cy szczeg\u00f3\u0142owe dane o klientach. Na przyk\u0142ad Ania mieszka we Wroc\u0142awiu, studiuje na Politechnice Wroc\u0142awskiej, pracuje w kawiarni i co miesi\u0105c kupuje bilet miesi\u0119czny na komunikacj\u0119 miejsk\u0105. Natomiast Adam urodzi\u0142 si\u0119 w Warszawie, studiuje na SGH, pracuje w sklepie i udziela korepetycji. Dzi\u0119ki GNN mo\u017cemy przewidywa\u0107 nowe po\u0142\u0105czenia, np. \u017ce Adam r\u00f3wnie\u017c potrzebuje biletu miesi\u0119cznego na komunikacj\u0119 miejsk\u0105. Technika ta nazywa si\u0119 link prediction <\/em>i mo\u017ce by\u0107 \u201em\u00f3zgiem\u201d wielu system\u00f3w biznesowych, od system\u00f3w rekomendacji po systemy wykrywania oszustw czy analizy ryzyka.<\/p>

\"\"<\/figure>

\"\"<\/p>

Szybka strukturyzacja tekstu (tekst \u2192 graf) za pomoc\u0105 pakietu LangChain<\/h4>

Instalacja pakiet\u00f3w<\/h4>

!pip install langchain langchain-community langchain-openai langchain-experimental<\/code><\/p>

Import bibliotek<\/h4>

import os
from google.colab import userdata
from langchain_experimental.graph_transformers import LLMGraphTransformer
from langchain_openai import ChatOpenAI
from langchain_core.documents import Document<\/code><\/p>

Wyb\u00f3r LLM i ustawienie klucza API<\/h4>

os.environ[\"OPENAI_API_KEY\"] = userdata.get('OPENAI_API_KEY')
llm = ChatOpenAI(temperature=0, model_name=\"gpt-4o\")
llm_transformer = LLMGraphTransformer(llm=llm)<\/code><\/p>

Przyk\u0142adowy tekst<\/h4>

text = \"\"\"
Cukrzyca u doros\u0142ych, m\u0142odzie\u017cy i dzieci w wieku \u22652 lat. S.c., w pow\u0142oki brzuszne, mi\u0119sie\u0144 naramienny lub udo.
Dawkowanie indywidualne. 1 \u00d7\/d, o dowolnej, ale tej samej porze dnia. U chorych na cukrzyc\u0119 typu 2 r\u00f3wnie\u017c w
skojarzeniu z
\u2026
\u2026
\u2026
przynajmniej cz\u0119\u015bciowo wyr\u00f3wna\u0107 zmniejszenie dawki dobowej insuliny; po tym czasie nale\u017cy indywidualnie ustali\u0107
schemat leczenia, optymalizuj\u0105c dawk\u0119 insuliny glargine na podstawie glikemii na czczo.
\"\"\"<\/code><\/p>

Kilka linijek kodu, no i graf gotowy<\/h4>

documents = [Document(page_content=text)]
graph_documents = llm_transformer.convert_to_graph_documents(documents)
print(f\"Nodes:{graph_documents[0].nodes}\")
print(f\"Relationships:{graph_documents[0].relationships}\")<\/code><\/p>

\"\"<\/p>

Grafy to pot\u0119\u017cne narz\u0119dzie w biznesie znane ju\u017c od dziesi\u0105tk\u00f3w lat. Jednak w po\u0142\u0105czeniu z du\u017cymi modelami j\u0119zykowymi i grafowymi sieciami neuronowymi tworz\u0105 trio o ogromnej mocy. Dodaj\u0105c do tego produkcyjnie sprawdzone bazy grafowe i pakiety do wizualizacji, warto przyjrze\u0107 si\u0119 temu zestawowi bli\u017cej. Pami\u0119tajmy jednak, \u017ce najcz\u0119stsze zastosowania obejmuj\u0105 profilowanie klient\u00f3w, mikrosegmentacj\u0119, scoringi kredytowe oraz wiele innych obszar\u00f3w, kt\u00f3re mog\u0105 nale\u017ce\u0107 do system\u00f3w wysokiego ryzyka zgodnie z AI Act. Dlatego poznaj\u0105c grafy wiedzy w praktyce, warto r\u00f3wnie\u017c dok\u0142adnie przeanalizowa\u0107 przyj\u0119te regulacje. Niemniej z pewno\u015bci\u0105 znajdziecie zastosowania graf\u00f3w wiedzy i AI w bezpiecznych rejonach biznesowej sztucznej inteligencji.<\/p>","protected":false},"excerpt":{"rendered":"

Grafy wiedzy maj\u0105 swoje korzenie w teorii graf\u00f3w, jednym z dzia\u0142\u00f3w matematyki o ca\u0142kiem solidnej historii. Jedna z prac, kt\u00f3ra da\u0142a pocz\u0105tek teorii graf\u00f3w, opisywa\u0142a s\u0142ynne zagadnienie most\u00f3w kr\u00f3lewieckich. <\/p>\n","protected":false},"author":34,"featured_media":4702,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"rank_math_lock_modified_date":false,"footnotes":""},"categories":[402,756,758,754,404,406],"tags":[],"popular":[],"difficulty-level":[37],"ppma_author":[368],"class_list":["post-4696","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-hai-magazine","category-ai_branza","category-biznes","category-hai_premium","category-hai-magazine-2","category-tutoriale-pl","difficulty-level-hard"],"acf":[],"authors":[{"term_id":368,"user_id":34,"is_guest":0,"slug":"sebastian-kondracki","display_name":"Sebastian Kondracki","avatar_url":{"url":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/08\/Sebastian-Kondracki.jpeg","url2x":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/08\/Sebastian-Kondracki.jpeg"},"first_name":"Sebastian","last_name":"Kondracki","user_url":"","job_title":"","description":"Dyrektor Biura Rozwoju Sztucznej Inteligencji w Banku Pekao. Zaanga\u017cowany w rozw\u00f3j Bielika, lider inicjatywy S\u00f3jka \u2013 polskiego modelu typu guardrails. Tw\u00f3rca program\u00f3w szkoleniowych z zakresu AI i transformacji cyfrowej."}],"_links":{"self":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/4696","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/users\/34"}],"replies":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/comments?post=4696"}],"version-history":[{"count":9,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/4696\/revisions"}],"predecessor-version":[{"id":5659,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/4696\/revisions\/5659"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/media\/4702"}],"wp:attachment":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/media?parent=4696"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/categories?post=4696"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/tags?post=4696"},{"taxonomy":"popular","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/popular?post=4696"},{"taxonomy":"difficulty-level","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/difficulty-level?post=4696"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/ppma_author?post=4696"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}