Che cos'è un knowledge graph nella moda?
Un knowledge graph è una rete di dati collegati che rappresenta entità come prodotti, materiali, fornitori e clienti e le relazioni tra di esse.
In breve
Un knowledge graph è un modo di organizzare i dati come una rete di entità e delle loro relazioni. Nella moda può collegare modelli, materiali, fornitori, fabbriche, certificazioni, collezioni e clienti, rendendo più semplice rispondere a domande complesse e fornire agli assistenti IA informazioni precise e collegate tra loro.
Come funziona in pratica?
I dati vengono memorizzati come nodi, che rappresentano entità, e archi, che rappresentano relazioni. Il nodo di una giacca può essere collegato al suo tessuto, che è collegato a una tessitura, a sua volta collegata a una certificazione e a un paese. La struttura è di solito guidata da un'ontologia che definisce quali tipi di entità e relazioni sono ammessi.
Esempi nella moda comprendono:
- Grafi di prodotto e materiali che collegano modelli, componenti, accessori e fornitori.
- Grafi di tracciabilità che seguono i materiali lungo i livelli della filiera per un Digital Product Passport.
- Grafi di stile e tendenze che collegano attributi, occasioni d'uso e articoli complementari.
- Grafi di clienti e account che mostrano quali retailer trattano quali brand e categorie.
Perché è importante per le aziende di moda?
I dati della moda sono distribuiti tra PLM, PIM, ERP e sistemi dei fornitori, e molte domande importanti attraversano questi confini. Quali modelli usano un tessuto di un fornitore sotto verifica? Quali account retail hanno in assortimento prodotti con una certificazione specifica? Un knowledge graph permette di rispondere a queste domande senza ricerche manuali tra fogli di calcolo.
Come lo usa l'IA?
I knowledge graph possono ancorare i modelli linguistici a fatti verificati. In una configurazione di graph RAG, un assistente recupera dal grafo fatti collegati prima di rispondere, il che riduce le allucinazioni e gli consente di seguire le relazioni attraverso più passaggi. Il machine learning può anche aiutare a costruire i grafi estraendo entità e collegamenti dai documenti.
Errori frequenti
- Partire in modo troppo ampio invece che da una domanda di business chiara.
- Dati master scadenti, con fornitori duplicati o nomi di materiali incoerenti.
- Nessun responsabile dell'aggiornamento del grafo.
- Modelli troppo complessi che solo gli specialisti sono in grado di mantenere.
Domande frequenti
Qual è la differenza tra un knowledge graph e un database?
Un database tradizionale memorizza i dati in tabelle, mentre un knowledge graph mette al centro le relazioni tra le entità. I grafi rendono più semplice interrogare collegamenti a più passaggi, come prodotto, materiale, fornitore e certificazione.
In che modo i knowledge graph aiutano con i dati di sostenibilità?
Collegano i prodotti a materiali, fornitori e certificazioni lungo tutta la supply chain, supportando la tracciabilità, la rendicontazione e i requisiti del passaporto digitale di prodotto.