Knowledge graph

Cos'è un knowledge graph?

Un knowledge graph è una rappresentazione strutturata di entità del mondo reale e delle relazioni tra di esse, memorizzata come una rete di nodi (entità) e archi orientati ed etichettati (relazioni). In termini formali, un knowledge graph è un insieme di triple semantiche nella forma (soggetto, predicato, oggetto), come (Order #12345, has_status, Shipped) o (Customer, purchased, Product_X). Questa struttura a grafo consente alle macchine di percorrere le connessioni, dedurre nuovi fatti e rispondere a query complesse che i database piatti e la ricerca per parole chiave non sono in grado di gestire.

Nel customer service, i knowledge graph collegano prodotti, policy, record dei clienti, procedure di troubleshooting e documentazione in una rete unificata di informazioni che gli agenti AI possono interrogare in tempo reale. Invece di cercare parole chiave in un articolo della knowledge base, un agente AI può percorrere il grafo e scoprire che un determinato prodotto ha un difetto noto, che attiva una specifica policy di reso, che a sua volta richiede un modulo specifico.

Come funzionano i knowledge graph

Un knowledge graph parte da un'ontologia: uno schema che definisce i tipi di entità (clienti, prodotti, ticket, policy) e i tipi di relazioni tra di esse (purchased, filed_ticket_about, resolved_by). I dati provenienti da più fonti, come CRM, help desk, database di prodotto e documentazione, vengono poi acquisiti e mappati su questa ontologia, creando una rete connessa di triple.

Una volta costruito, il grafo supporta diverse operazioni. Il graph traversal segue gli archi per rispondere a domande multi-hop ("Quale garanzia copre il prodotto acquistato da questo cliente il mese scorso?"). La graph inference applica regole o machine learning per ricavare fatti non memorizzati esplicitamente. Le graph query usano linguaggi come SPARQL o Cypher per recuperare sottografi specifici. Secondo lo Stanford AI Lab, è proprio questa combinazione di struttura esplicita e capacità inferenziale a rendere i knowledge graph particolarmente adatti all'AI aziendale.

Microsoft Research (2025) ha rilevato che combinare il retrieval da knowledge graph con la RAG ha migliorato l'accuratezza fattuale di circa il 23% e ha raggiunto l'89% di soddisfazione degli utenti nel supporto clienti e-commerce, rispetto a sistemi di riferimento basati solo sul retrieval testuale.

Componenti principali di un knowledge graph

Entità e nodi: gli oggetti rappresentati nel grafo, come clienti, prodotti, articoli di supporto, operatori e policy. Ogni nodo ha un tipo definito dall'ontologia e può avere attributi (nome, data, stato).

Relazioni e archi: connessioni orientate ed etichettate tra entità. L'etichetta descrive la natura della relazione ("reported_issue," "resolved_by," "related_to"). Le relazioni danno al grafo la sua forza, perché codificano un contesto che i record piatti non riescono a catturare.

Ontologia e schema: il vocabolario formale che definisce quali tipi di entità e relazioni esistono. Un'ontologia ben progettata garantisce coerenza tra le fonti dati e rende possibili query significative. Standard come RDF e OWL forniscono framework formali per definire le ontologie.

Acquisizione e collegamento: il processo di estrazione delle entità dai sistemi di origine (CRM, ticketing, catalogo prodotti), risoluzione dei duplicati e collegamento tramite archi. L'entity resolution è una delle sfide ingegneristiche più difficili nella costruzione di un grafo.

Motore di ragionamento: il livello che applica regole e machine learning per dedurre nuove relazioni o convalidare quelle esistenti, ad esempio suggerendo un prodotto sostitutivo quando uno viene ritirato dal mercato.

Perché i knowledge graph sono importanti per la customer experience

Le richieste di assistenza sono per natura relazionali. Un cliente non fa una domanda isolata: chiede del suo ordine, del suo account, del suo prodotto. Per rispondere con precisione bisogna collegare informazioni provenienti da sistemi diversi, e i knowledge graph forniscono proprio questo tessuto connettivo. Una ricerca pubblicata da LinkedIn (2025) ha riportato una riduzione del 28,6% del tempo mediano di risoluzione dei problemi dopo l'adozione di un retrieval potenziato da knowledge graph nei flussi di supporto.

I knowledge graph riducono anche le allucinazioni dell'AI, perché ancorano gli output degli LLM a fatti verificati e strutturati. Quando un agente AI recupera un sottografo di entità collegate anziché un blocco di testo non strutturato, dispone di una base fattuale affidabile per la sua risposta. Per questo i knowledge graph stanno diventando la spina dorsale semantica delle architetture RAG aziendali.

Il vantaggio di Maven

La piattaforma di Maven AGI acquisisce e collega dati da oltre 100 sistemi aziendali, costruendo un ricco livello contestuale che funziona come un knowledge graph per ogni interazione con i clienti. Quando un cliente contatta il supporto, l'agente AI di Maven percorre queste connessioni per recuperare il contesto giusto: storico dell'account, dettagli del prodotto, interazioni precedenti e policy pertinenti. È grazie a questo retrieval strutturato che i clienti di Maven ottengono tassi di risoluzione costantemente elevati.

Enumerate, piattaforma di property management, ha raggiunto un tasso di risoluzione del 91% con Maven AGI collegando la sua complessa rete di dati sugli immobili, anagrafiche degli inquilini e flussi di manutenzione in un livello di conoscenza unificato e accessibile all'AI.

Per approfondire gli aspetti tecnici, scopri come si stanno evolvendo le knowledge base basate sull'AI per supportare le moderne operazioni di assistenza.

Domande frequenti

Qual è la differenza tra un knowledge graph e una knowledge base?

Una knowledge base è in genere una raccolta di articoli, documenti o FAQ memorizzati come contenuti piatti o poco strutturati. Un knowledge graph va oltre: rappresenta come grafo strutturato le entità presenti in quei contenuti e le relazioni tra di esse. Questa struttura permette ai sistemi di AI di ragionare su fatti collegati, invece di cercare semplicemente corrispondenze di parole chiave nei singoli articoli.

In che modo i knowledge graph riducono le allucinazioni dell'AI?

I knowledge graph ancorano gli output dell'AI a dati verificati e strutturati. Quando un sistema di AI conversazionale recupera un sottografo di entità collegate (product > warranty > return_policy), l'LLM genera risposte basate su triple fattuali anziché su un completamento probabilistico del testo. Questo schema "prima il retrieval, poi la generazione" riduce in modo significativo la probabilità di risposte inventate o inesatte.

I knowledge graph sono difficili da costruire e mantenere?

Costruire un knowledge graph in produzione richiede una progettazione accurata dell'ontologia, pipeline di dati affidabili e un'attività continua di entity resolution. L'investimento iniziale è significativo, ma i benefici in termini di accuratezza dell'AI e connessione tra sistemi crescono nel tempo. Piattaforme enterprise come Maven AGI eliminano gran parte di questa complessità, acquisendo e collegando automaticamente i dati dei sistemi integrati.

I knowledge graph funzionano con dati non strutturati?

Sì. Tecniche di NLP come il riconoscimento delle entità nominate e l'estrazione delle relazioni possono analizzare testo non strutturato (ticket di supporto, email, log di chat) ed estrarre entità e relazioni per popolare un knowledge graph. Questo approccio ibrido unisce la flessibilità dei dati non strutturati alla precisione delle query su grafo strutturato.