📂AI 基礎⏱閱讀 2 分鐘📊實務🔗相關 4

什麼是知識圖譜?

一句話定義
將概念・事物(節點)與彼此的關係(連線)串連起來的知識網路。有助於理解搜尋、推薦與 AI。
這個主題,導入企業內訓📚 相關課程💬 教育訓練諮詢
⚡ 3 行重點摘要
  • 連結實體與關係的知識網路
  • 協助搜尋、推薦與 AI 理解
  • 也可用來減少幻覺

導入知識圖譜後,資料的處理單位會從「文件」變成「實體」。在企業內部搜尋框輸入「去年領導力課程的講師」,既有系統會找出含有這句話的檔案,大約丟給您十幾個。有了知識圖譜,系統會直接找到「講師」這個實體,連同所屬、經歷、課程評分一併附上,用一行回答。搜尋的對象從檔案轉為事實本身,這是實務上最先感受到的變化,也因此無論誰來問,都會得到相同的答案,一致性就此產生。

建構方式大致分為兩種。RDF 三元組以「主詞-述詞-受詞」三個欄位記錄事實,標準化程度高、利於串接外部資料;屬性圖(LPG)則可在節點與關係上附加屬性,較容易接上企業內部系統。無論哪一種,若沒有預先定義關係種類的結構描述(Schema),圖譜就只是塗鴉。也必須與向量搜尋區分開來:向量搜尋找的是「相似的東西」,圖譜追的是「相連的東西」,因此像「本部所有主管都修完的課程」這類條件交疊的問題,光靠向量無法精準解答。

起步規模不必太大。節點類型 5~10 種、關係類型 15 種左右,就足以應付內部問答的大部分需求。真正的負擔不是建置的成本,而是維護的成本。一次組織調整,就可能讓數百筆「隸屬」關係同時出錯。因此,若沒有先建好從 HR、LMS 等來源系統自動同步的資料管線,半年後就只剩下沒人打開的圖譜。

現場最常出錯的地方是同名同姓與近似名稱。「Min-su Kim 組長」有三位,「AI 基礎」與「AI 入門」實際上是同一門課,若當成不同節點放進去,圖譜不會跳出任何錯誤訊息,只會默默給出錯誤的答案。如果已接上 LLM,這些錯誤事實會被包裝成通順的句子,原封不動地寫進高階主管報告裡。「節點放得越多,圖譜就越好」的想法最危險;實際上,建置工作量的一半都花在合併重複實體的整理作業上。

會出現此術語的課程 · AI・DX
推薦課程 · 推薦講師 · 迷你報價
🧮 迷你報價 · 講師費基準
約 KRW 1,200,000 (≈ US$900)專題講座 2 小時 · 20 人以下 · 韓語
依此條件取得正式報價 →
💡 簡單來說
像人物關係圖一樣,把「誰-做了什麼-如何做」串連起來的地圖,幫助機器理解意義。
為什麼在實務上很重要
將知識以「關係」串連,機器就能理解意義並精準回答。有助於提高搜尋與 AI 的準確度。
由來與出處

其根源在於語意網(Semantic Web)研究。2012 年 Google 將「Knowledge Graph」導入搜尋後,才廣為人知。

出處 · Google Knowledge Graph(2012)
透過案例理解

以虛構案例說明。員工 1,400 人的汽車零件製造商 A 公司,教育訓練紀錄分散在 LMS、各部門的 Excel 以及電子郵件的簽核信箱中。光是整理出「去年完成智慧工廠課程的生產技術職名單」就花了兩天半;每逢升遷審查季,人資與現場單位總是拿著不同的數字出現。以下是歷時 4 個月,建立公司內部知識圖譜的紀錄。

  1. HR 團隊的李次長說「每個人的 Excel 都不一樣,不知道哪個才對」,這就是起點。前兩週則花在找出教育訓練原始資料的 7 種來源分別放在哪裡。
  2. 將節點類型限縮為人員、部門、課程、職務、資格五類,關係只保留「修習、要求、隸屬」等 12 種。這是初稿曾擴增到 30 種後又刪回來的結果。
  3. 將 1,830 筆課程名稱標記整併為 420 個,花了六週。「AI 基礎」、「AI 入門」與「Ai基礎(再)」其實都是同一門課,是由教育營運的朴代理逐一比對確認的。
  4. 以夜間批次將 LMS 與人事系統串接,每天凌晨 3 點同步;組織調整定案後,「隸屬」關係會自動更新。
  5. 原本要花兩天半整理的名單,縮短到 30 秒;職務別必修課程未完成者 312 人,第一次在同一個畫面上看見。升遷審查資料的異議件數從每年 27 件降到 3 件。
相關術語
與此術語相關的課程
📚用自家資料打造會回答的 AI——RAG 入門Nanum 經營顧問 企業內訓 · 現場/線上查看課程 →
是否需要針對此主題進行企業內訓?
立即取得負責人為您量身打造的課程規劃與報價。
教育洽詢
最後修訂 2026年9月13日 · 監修 金鍾赫

常見問題

關聯式資料庫是用表格存放資料,知識圖譜則是明確標示「實體之間的關係」,讓意義得以結構化。
用於協助 AI 以有依據的事實作答(Grounding),並與 LLM 結合來減少幻覺。
關聯式資料庫是用表格存放資料,知識圖譜則明確標示「實體之間的關係」,讓意義有結構。
協助 AI 依據事實作答,並可與 LLM 結合,用來減少 AI 幻覺(捏造內容)。