Een kennisgraaf slaat informatie op als een netwerk: entiteiten zoals mensen, producten of plaatsen worden punten, en de relaties daartussen worden de lijnen die ze verbinden. In plaats van rijen in een tabel krijg je een web waar je doorheen kunt lopen, terwijl je vraagt hoe het ene aan het andere gerelateerd is.
Stel je een stamboom op een muur voor. Elke persoon is een stip en de lijnen laten zien wie wiens ouder, broer, zus of partner is. Je kunt van de ene neef naar de andere lopen door de verbindingen te volgen, ook al heeft niemand dat exacte pad ooit opgeschreven. Een kennisgraaf doet hetzelfde voor bedrijfsdata, en daarom past hij van nature bij entiteitsextractie om de entiteiten uit ruwe tekst te halen en bij semantische zoekfunctie om het juiste startpunt te vinden.
Die vorm doet ertoe omdat sommige vragen eigenlijk over verbindingen gaan. Wie heeft deze klant bij ons geïntroduceerd, welke projecten delen dezelfde risicovolle leverancier, welke onderdelen hangen af van die ene toeleverancier. Een graaf beantwoordt dat door langs de lijnen te springen, waar een platte tabel een wirwar aan code zou vragen.
Hij helpt ook waar AI alleen het lastig heeft. Een vectordatabase is geweldig in het vinden van tekst die ongeveer hetzelfde betekent, maar kan je niet vertellen dat twee records hetzelfde bedrijf zijn onder een andere schrijfwijze. Een graaf houdt die exacte, benoemde verbanden vast, dus de twee worden vaak naast elkaar gebruikt: de een voor vage betekenis, de ander voor harde feiten.
Bij TopDevs grijpen we naar een kennisgraaf wanneer de waarde in de data van een klant zit in hoe dingen samenhangen, niet alleen in de losse records.
