Algorytmy grafowe w erze sztucznej inteligencji: inteligentne rozwiązania dla informatyki / Graph Algorithms in the Era of Artificial Intelligence: Intelligent Solutions for Computer Science

Abstract

Celem niniejszego rozdziału jest przedstawienie współczesnego znaczenia algorytmów grafowych w kontekście rozwoju sztucznej inteligencji, rozumianej jako dominacja metod uczenia maszynowego i głębokiego opartych na uczeniu reprezentacji (w tym modeli operujących bezpośrednio na strukturach grafowych). Analiza obejmuje zarówno podstawy teoretyczne, jak i nowoczesne techniki uczenia reprezentacji, ze szczególnym uwzględnieniem sieci neuronowych operujących na strukturach grafowych. Wskazano na ograniczenia klasycznych metod analizy grafów, które pomimo swojej fundamentalnej roli okazują się niewystarczające w obliczu współczesnych wymagań wynikających z przetwarzania danych o ogromnej skali i wysokim stopniu złożoności relacyjnej. W dalszej części omówiono zagadnienie skalowalności i złożoności obliczeniowej systemów grafowych, ze szczególnym uwzględnieniem przetwarzania rozproszonego oraz technik redukcji grafów. Przedstawiono również wybrane zastosowania algorytmów grafowych w takich obszarach, jak telekomunikacja, bioinformatyka, analityka sieci wiedzy czy cyberbezpieczeństwo. Ostatnia część poświęcona jest analizie kierunków dalszego rozwoju, zwłaszcza metod neurosymbolicznych i rozwiązań inspirowanych obliczeniami kwantowymi.

The aim of this chapter is to present the contemporary role of graph algorithms in the context of the development of artificial intelligence, particularly machine learning and deep learning methods based on representation learning, including models that operate directly on graph structures. The analysis covers both theoretical foundations and modern representation learning techniques, with particular emphasis on Graph Neural Networks (GNNs). The paper highlights the limitations of classical graph analysis methods, which, despite their fundamental importance, prove insufficient in the face of modern requirements arising from the processing of large-scale data and high relational complexity. Issues of scalability and computational complexity in graph-based systems are discussed, with particular attention to distributed processing and graph reduction techniques. Selected applications of graph algorithms are presented in areas such as telecommunications, bioinformatics, knowledge graph analytics, and cybersecurity. The final section discusses future research directions, particularly neuro-symbolic approaches and solutions inspired by quantum computing.