معرفی ساده گراف‌های دانشی
مخاطب: این مطلب برای رؤسای فنی، مهندسان نرم‌افزار، و تصمیم‌گیران نوشته شده که می‌خواهند بدانند گراف دانشی چیست، چه زمانی استفاده از آن منطقی است و چه زمانی نه. این مقاله یک مرور راهبردی است، نه یک بررسی فنی عمیق .
نخستین باری که من با «تفکر گرافی» آشنا شدم به سال ۲۰۱۰ بازمی‌گردد، در قالب پروژه‌ای تحقیقاتی پیرامون تشنج‌های صرعی. در این پروژه، ما بررسی می‌کردیم که چگونه برخی انواع حملات تشنج صرعی در مغز پخش می‌شوند تا «منطقهٔ صرع‌زا» (Epileptogenic Zone یا EZ) را شناسایی کنیم—ناحیه‌ای که حملات از آن آغاز می‌شوند. برای ما حیاتی بود که بتوانیم فعالیت الکتریکی مغز را به‌صورت شبکه‌هایی به‌هم‌پیوسته تصور کنیم، تا ببینیم کدام نواحی، نواحی دیگر را در هنگام حمله تحت تأثیر قرار می‌دهند. این تجربه قدرت مدل‌های مبتنی بر گراف را در نمایش روابط پیچیده و پویای میان اجزا به من نشان داد—و این نکته را تقویت کرد که برخی مسائل را تنها از زاویهٔ گراف می‌توان فهمید، نه به شکل نقاط دادهٔ مجزا. از آن زمان ۱۵ سال میگذرد. با ظهور هوش مصنوعی، و محبوبیت روزافزون گراف‌های دانشی، دیگر نمی‌توان از تفکر گرافی چشم‌پوشی کرد.
برای دهه‌ها، روش رایج مدل‌سازی داده‌ها ذخیره‌سازی آن‌ها در قالب جدول‌ها، ردیف‌ها، و ستون‌ها بود. پایگاه‌های داده- tables - ما را با مفاهیمی مانند کلید خارجی - foreign keys ,شِما - schema, آشنا کرد. ولی با گذر زمان و پیچیده‌تر شدن سؤال‌ها استفاده این ساختار ها سخت‌تر شده.
قبلاً هم چنین تغییراتی را تجربه کرده‌ایم—یادتان هست گذار از برنامه‌نویسی رویه - procedural programming , به object oriented programming؟ و و چند سال بعد برنامه نویسی تابعی - functional programming
هر مرحله، ما را مجبور کرد تا مدل‌سازی و منطق سیستمی خود را بازبینی کنیم. نه به این دلیل که یکی برتر از دیگری بود، بلکه چون هرکدام، گونه‌ای متفاوت از پیچیدگی را بهتر آشکار می‌کردند.
گراف‌های دانشی نیز چنین تحولی می‌طلبند. آن‌ها فقط یک قالب داده‌ای دیگر نیستند—بلکه زاویهٔ دید شما به مسئله را تغییر می‌دهن