Sztuczna inteligencja w ostatnich latach rozwija się w niezwykle szybkim tempie, a jednym z najważniejszych kierunków tego rozwoju jest połączenie dwóch pozornie odmiennych technologii: dużych modeli językowych (LLM), takich jak ChatGPT, oraz grafów wiedzy (KG). Modele językowe potrafią analizować i generować tekst w sposób zbliżony do ludzkiego – rozumieją znaczenie słów, potrafią pisać spójne wypowiedzi czy odpowiadać na pytania. Jednak mimo imponujących możliwości często popełniają błędy faktograficzne lub brakuje im precyzji w specjalistycznych dziedzinach. Z kolei grafy wiedzy to uporządkowane bazy informacji, w których wiedza przedstawiana jest w postaci sieci powiązań między pojęciami – na przykład: „Warszawa” jest „stolicą” „Polski”. Dzięki temu zapewniają one spójność, weryfikowalność i wiarygodność danych. Badania opisane w tym rozdziale pokazują, że połączenie LLM i KG pozwala uzyskać najlepsze cechy obu podejść. Modele językowe mogą automatycznie rozszerzać grafy wiedzy, dodając nowe informacje wyciągane z tekstów, a jednocześnie grafy mogą „uzasadniać” odpowiedzi modeli, ograniczając ryzyko błędów. Takie rozwiązania są szczególnie obiecujące w obszarach, gdzie precyzja ma kluczowe znaczenie – jak medycyna, edukacja, dziennikarstwo czy weryfikacja faktów. Wyniki badań potwierdzają, że integracja modeli językowych i grafów wiedzy nie tylko poprawia dokładność i wiarygodność systemów AI, ale też przybliża nas do bardziej „rozumiejących” maszyn, które potrafią nie tylko przetwarzać język, ale również opierać się na sprawdzonych źródłach wiedzy.