کتاب Knowledge Graphs and LLMs in Action (گراف‌های دانش و مدل‌های زبان بزرگ در عمل) یک راهنمای عملی است که نشان می‌دهد چگونه می‌توان با ترکیب گراف‌های دانش (Knowledge Graphs – KGs) و مدل‌های زبان بزرگ (Large Language Models – LLMs)، سیستم‌های هوش مصنوعی قدرتمند، قابل‌اعتماد و قابل توضیح ساخت.
در ادامه مقدمه‌ای از کتاب Knowledge Graphs and LLMs in Action را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Knowledge Graphs and LLMs in Action:
گراف‌های دانش و LLMها در عمل: از ایده تا واقعیت
هنگامی که کتاب قبلی‌ام، یادگیری ماشین مبتنی بر گراف (Graph-Powered Machine Learning)، رو به اتمام بود، من با سردبیر بخش خرید کتاب‌ها، مایک استفنز، تماس گرفتم و پیشنهادی برای ادامه‌ای طبیعی ارائه دادم. آن اثر قبلی گراف‌های دانش را معرفی کرد و نشان داد که چگونه می‌توان آن‌ها را با استفاده از پردازش زبان طبیعی ساخت، اما بسیاری از خوانندگان اشاره کردند که شبکه‌های عصبی گراف (Graph Neural Networks) یک بخش مهم و گمشده هستند.
کتاب پیشنهادی من قرار بود این شکاف را پر کند و در عین حال داستان گراف‌های دانش را با تحلیل‌های مفصل و تکنیک‌های ساخت، گسترش دهد.
مایک این پیشنهاد را پذیرفت و من با عنوان کاری “گراف‌های دانش کاربردی” (Knowledge Graphs Applied) وارد ماجرای جدیدی شدم. با درک وسعت چالش، سه نفر از همکارانم از شرکت GraphAware— فابیو، جوزپه، و ولاستیمیل— را دعوت کردم تا به این تلاش بپیوندند، با اطمینان از اینکه تخصص ترکیبی آن‌ها بسیار ارزشمند خواهد بود.
به سادگی فکر می‌کردم اگر یک نویسنده بتواند یک کتاب را در چهار سال بنویسد، چهار نویسنده می‌توانند یک کتاب را در یک سال تمام کنند. این فرض به همان اندازه اشتباه بود که انتظار داشته باشیم نُه زن نوزادی را در یک ماه به دنیا بیاورند.
واقعیت برنامه‌های دیگری داشت. در طول سال‌های گذشته، تغییرات قابل توجهی در چشم‌انداز فناوری رخ داد. مدل‌های زبان بزرگ (LLMs) و هوش مصنوعی مولد به طور کامل این حوزه را متحول کردند، و ناگهان متخصصان گراف دانش فرصت‌های بی‌سابقه‌ای برای استفاده از این فناوری تثبیت شده به روش‌هایی انقلابی پیدا کردند.
ما در ابتدا قصد داشتیم بر اساس ابزارهای پردازش زبان طبیعی (NLP) موجود مانند BERT کار کنیم، اما این‌ها به سرعت توسط قابلیت‌های LLM که امکانات جدیدی برای ساخت، پرس‌وجو و تحلیل گراف‌های دانش فراهم می‌کردند، جایگزین می‌شدند.
این دقیقاً همان جایی بود که بسیاری از متخصصان، از جمله خود ما، دچار چالش شدیم. به جای مقاومت در برابر این تحول، تصمیم گرفتیم (به همراه مایک و داستین آرچیبالد، ویراستار توسعه‌دهنده ما) آن را بپذیریم. عنوان کتاب را به “گراف‌های دانش و LLMها در عمل” (Knowledge Graphs and LLMs in Action) تغییر دادیم و محتوا را به طور اساسی بازنگری کردیم تا LLMها را به عنوان یک جزء جدایی‌ناپذیر از هدف نهایی‌مان قرار دهیم: سیستم‌های مشاور هوشمندی که انسان‌ها را در انجام وظایف پیچیده تصمیم‌گیری توانمند می‌سازند. این چرخش مستلزم بازسازی گسترده و تغییر بنیادی در رویکرد ما بود، اما نتیجه فراتر از انتظارات ما بود.
کتابی که اکنون می‌خوانید به منشوری برای قدرت سیستم‌های هیبریدی تبدیل شده است. کتاب Knowledge Graphs and LLMs in Action نشان می‌دهد که چگونه ترکیب این فناوری‌ها—گراف‌های دانش که تثبیت شده‌اند، و LLMها که به تازگی ظهور کرده‌اند—یک اثر چرخ‌دنده‌ای ایجاد می‌کند که نتایج بلندمدت شگفت‌انگیزی به همراه دارد.
متخصصان گراف دانش کشف خواهند کرد که چگونه از قابلیت‌های LLM برای تأثیرگذاری بیشتر استفاده کنند، و متخصصان LLM نیز تکنیک‌هایی را خواهند آموخت که برخی از محدودیت‌های اصلی مدل‌های زبان را برطرف می‌کنند.
شما را دعوت می‌کنیم که در این سفر به سوی سیستم‌های هوش مصنوعی هوشمندتر، قابل‌اعتمادتر و انسان‌محورتر با ما همراه شوید.
درباره کتاب Knowledge Graphs and LLMs in Action
گراف‌های دانش و LLMها در عمل یک راهنمای جامع برای ساخت سیستم‌های هوشمند هیبریدی است که قابلیت‌های استدلال ساختاریافته گراف‌های دانش (KGs) را با درک زبان طبیعی مدل‌های زبان بزرگ (LLMs) ترکیب می‌کند.
کتاب Knowledge Graphs and LLMs in Action نشان می‌دهد که چگونه این فناوری‌های مکمل می‌توانند در کنار یکدیگر کار کنند تا راهکارهای هوش مصنوعی قدرتمندتر، قابل‌اعتمادتر و قابل‌توضیحی ایجاد کنند که به چالش‌های دنیای واقعی در حوزه‌های مختلف رسیدگی نمایند.
کتاب Knowledge Graphs and LLMs in Action برای چه کسانی مفید است؟
این کتاب برای مهندسان یادگیری ماشین، دانشمندان داده، متخصصان گراف و مهندسان هوش مصنوعی طراحی شده است که می‌خواهند از قدرت هم‌افزایی گراف‌های دانش و LLMها بهره ببرند. فرقی نمی‌کند با داده‌های ساختاریافته سازمانی کار می‌کنید، سیستم‌های توصیه‌گر می‌سازید، الگوریتم‌های کشف تقلب توسعه می‌دهید یا برنامه‌های پرسش و پاسخ ایجاد می‌کنید؛ کتاب Knowledge Graphs and LLMs in Action به شما نشان می‌دهد که چگونه از هر دو فناوری استفاده کنید تا نتایجی بهتر از آنچه هر یک به تنهایی می‌توانند ارائه دهند، به دست آورید.
اگر شما یک دانشمند داده هستید که به دنبال ارتقای مدل‌های خود با دانش ساختاریافته هستید، یک مهندس یادگیری ماشین که می‌خواهد توهمات (Hallucinations) را در برنامه‌های LLM کاهش دهد، یا یک متخصص هوش مصنوعی که علاقه‌مند به ساخت سیستم‌های قابل توضیح و تأیید است، کتاب Knowledge Graphs and LLMs in Action راهنمایی عملی مورد نیاز شما را فراهم می‌کند. اگرچه آشنایی اولیه با مفاهیم یادگیری ماشین و پایگاه‌های داده گراف مفید است، اما کتاب تمام مفاهیم ضروری را معرفی کرده و پیچیدگی را به تدریج افزایش می‌دهد.
ساختار کتاب Knowledge Graphs and LLMs in Action: یک نقشه راه
این کتاب دارای ۱۵ فصل است که در ۵ بخش سازماندهی شده‌اند و از مفاهیم بنیادی به سمت پیاده‌سازی‌های پیشرفته پیش می‌روند.
بخش ۱: مبانی سیستم‌های هوشمند هیبریدی
این بخش از کتاب Knowledge Graphs and LLMs in Action پایه‌های نظری و عملی برای سیستم‌های هوشمند هیبریدی را بنا می‌نهد:
- فصل ۱ ترکیب قدرتمند گراف‌های دانش و LLMها را معرفی کرده و ماهیت مکمل آن‌ها را از طریق مثال‌ها و موارد استفاده ملموس نشان می‌دهد.
- فصل ۲ مفاهیم بنیادی سیستم‌های هوشمند را بررسی کرده، به طور عمیق به نمایش دانش و استراتژی‌های استدلال می‌پردازد و نحوه عملکرد گراف‌های دانش و LLMها در عمل را نشان می‌دهد.
بخش ۲: ساخت گراف‌های دانش از داده‌های ساختاریافته
این بخش از کتاب Knowledge Graphs and LLMs in Action بر ساخت گراف‌های دانش از منابع داده ساختاریافته تمرکز دارد:
- فصل ۳ ساخت گراف دانش را از طریق یک مثال در حوزه سلامت نشان می‌دهد و چگونگی کمک به پزشکان در تشخیص بیماری‌های نادر با استفاده از هستی‌شناسی فنوتیپ انسانی (Human Phenotype Ontology) را توضیح می‌دهد.
- فصل ۴ این مبانی را با روش‌های تحلیل پیشرفته، از جمله الگوریتم‌های کشف جامعه و ادغام منابع چندگانه در کاربردهای زیست‌پزشکی، گسترش می‌دهد.
بخش ۳: استخراج دانش از متن‌های ساختارنایافته
این بخش از کتاب Knowledge Graphs and LLMs in Action به حوزه چالش‌برانگیز استخراج دانش از متن‌های ساختارنایافته می‌پردازد:
- فصل ۵ خط لوله اساسی برای تبدیل متن به گراف‌های دانش را با استفاده از هر دو روش سنتی پردازش زبان طبیعی (NLP) و روش‌های مدرن مبتنی بر LLM از طریق یک مطالعه موردی در مرکز بایگانی راکلفر نشان می‌دهد.
- فصل ۶ گردش‌های کاری پردازش سند را از اسکن OCR تا تحلیل‌های پیچیده گراف برای شناسایی شبکه‌های تحقیقاتی و الگوهای نفوذ، گسترش می‌دهد.
- فصل ۷ ابهام‌زدایی موجودیت‌های نام‌دار در مقررات بهداشتی را بررسی می‌کند و نحوه پیوند موجودیت‌ها به پایگاه‌های دانش ساختاریافته مانند سیستم یکپارچه زبان پزشکی (UMLS) و اصطلاحات پزشکی سیستماتیک (SNOMED) را نشان می‌دهد.
- فصل ۸ یک رویکرد نوآورانه برای ابهام‌زدایی را معرفی می‌کند که LLMهای باز را با هستی‌شناسی‌های دامنه برای افزایش دقت ترکیب می‌کند.
بخش ۴: کاربردهای یادگیری ماشین بر روی گراف‌های دانش
این بخش از کتاب Knowledge Graphs and LLMs in Action، کاربردهای یادگیری ماشین بر روی گراف‌های دانش را بررسی می‌کند:
- فصل ۹ مفاهیم بنیادی برای اعمال یادگیری ماشین بر روی گراف‌های دانش را معرفی کرده و پایه نظری برای نمایش‌های قابل یادگیری را بنا می‌نهد.
- فصل ۱۰ رویکردهای مهندسی ویژگی را از طریق مثال‌های عملی در کشف تقلب و تغییر کاربری دارو نشان می‌دهد.
- فصل ۱۱ به شبکه‌های عصبی گراف پیش می‌رود و نشان می‌دهد که چگونه این معماری‌ها به طور خودکار نمایش‌های بهینه را از ساختارهای گراف یاد می‌گیرند.
- فصل ۱۲ کاربردهای دنیای واقعی را از طریق سیستم‌های مبارزه با پولشویی و توصیه فیلم نشان می‌دهد.
بخش ۵: سیستم‌های بازیابی اطلاعات عملی
این بخش از کتاب Knowledge Graphs and LLMs in Action همه چیز را در سیستم‌های بازیابی اطلاعات عملی گرد هم می‌آورد:
- فصل ۱۳ ادغام گراف‌های دانش با LLMها را از طریق تولید تقویت‌شده بازیابی (Retrieval Augmented Generation) بررسی می‌کند و سیستم‌های RAG گراف را نشان می‌دهد.
- فصل ۱۴ نشان می‌دهد که چگونه می‌توان سیستم‌های پیچیده پرسش و پاسخ را ساخت که استدلال کارشناسان حوزه را تقلید می‌کنند، این کار از طریق یک مثال در حوزه اجرای قانون نشان داده می‌شود.
- فصل ۱۵ یک پیاده‌سازی کامل با استفاده از LangGraph و Streamlit ارائه می‌دهد و نشان می‌دهد که چگونه می‌توان سیستم‌هایی آماده برای محیط عملیاتی (Production-ready) ساخت.
کتاب Knowledge Graphs and LLMs in Action به گونه‌ای طراحی شده است که برای درک جامع باید به صورت ترتیبی خوانده شود، اما متخصصان باتجربه می‌توانند بر اساس نیازهای فوری خود بر روی بخش‌های خاصی تمرکز کنند. افراد مبتدی باید با بخش‌های ۱ و ۲ شروع کنند تا دانش بنیادی را کسب نمایند و سپس کاربردهای تخصصی در بخش‌های بعدی را بررسی کنند.
سرفصل‌های کتاب Knowledge Graphs and LLMs in Action:
- Knowledge Graphs and LLMs in Action
- brief contents
- contents
- forewords
- preface
- acknowledgments
- about this book
- about the authors
- about the cover illustration
- Part 1 Foundations of hybrid intelligent systems
- 1 Knowledge graphs and LLMs: A killer combination
- 2 Intelligent systems: A hybrid approach
- Part 2 Building knowledge graphs from structured data sources
- 3 Create your first knowledge graph from ontologies
- 4 From simple networks to multisource integration
- Part 3 Building knowledge graphs from text
- 5 Extracting domain-specific knowledge from unstructured data
- 6 Building knowledge graphs with large language models
- 7 Named entity disambiguation
- 8 NED with open LLMs and domain ontologies
- Part 4 Machine learning on knowledge graphs
- 9 Machine learning on knowledge graphs: A primer approach
- 10 Graph feature engineering: Manual and semiautomated approaches
- 11 Graph representation learning and graph neural networks
- 12 Node classification and link prediction with GNNs
- Part 5 Information retrieval with knowledge graphs and LLMs
- 13 Knowledge graph-powered retrieval-augmented generation
- 14 Asking a KG questions with natural language
- 15 Building a QA agent with LangGraph
- appendix A Introduction to graphs
- A.1 What is a graph?
- A.2 Graphs as models of networks
- A.3 Representing graphs
- appendix B Neo4j
- B.1 Introduction to Neo4j
- B.2 Installing Neo4j
- B.3 Cypher
- B.4 Installing plugins
- B.5 Cleaning
- appendix C Building knowledge graphs from structured sources
- C.1 MicroRNA-disease association: Warmup
- C.2 Building the miRNA knowledge graph
- C.3 Exploring and analyzing the miRNA KG
- references
- index
- Knowledge Graphs and LLMs in Action – back
جهت دانلود کتاب Knowledge Graphs and LLMs in Action می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.