Přenosné podnikové ontologie pro agenty umělé inteligence

Pojem „ontologie“ je dnes v módě. Proč? Agenti i velké jazykové modely, které je pohánějí, potřebují relevantní kontext z podnikové sféry.

Než se rozhodnete pro ontologii, zeptejte se dodavatele: „Když ontologie zachytí naše podnikání nesprávně, jak ji naši lidé opraví — a co bude i nadále záviset na vás?“ Odpověď vám hodně napoví o tom, čí model podnikání si pořizujete. Zároveň ukazuje, o co jde v širším měřítku: zda budete moci tento model vylepšovat podle toho, jak se podnikání mění, a zda vám tato investice zůstane užitečná i při změně platformy.

Je užitečné rozlišovat mezi ontologií a znalostním grafem, přestože se tyto dva pojmy často překrývají.

Ontologie: Jaké druhy věcí existují, co znamenají vztahy mezi nimi a jaká pravidla platí. Zařízení, součásti, týmy, role, procesy. Ontologie může například definovat typ „Zařízení“ a vztah „Obsahuje“ k typu „Součást“. Znalostní graf pak může vyjadřovat tvrzení „Čerpadlo P-101 obsahuje těsnění S-7“: dvě konkrétní entity a vztah mezi nimi.

Představte si, že agentovi řeknete: „Vypočítej růst tržeb srovnatelných prodejen, ale ukaž mi srovnání vedle sebe: nejprve všechny prodejny a potom znovu bez těch, které jsou otevřené méně než 2 roky; obě varianty pak rozděl na domácí, mezinárodní a souhrnnou.“

Tento požadavek závisí na podrobnostech, které agent nemůže odhadnout:

• které prodejny existují a kdy byly otevřeny
• kde se nacházejí
• interní definice „tržeb srovnatelných prodejen“

Podle zásad mohou být prodejny vyřazeny, dokud nejsou otevřené alespoň rok; požadovaná skupina prodejen otevřených alespoň dva roky přidává další filtr. Porovnáváte pak kalendářní měsíce, jakmile prodejna splní podmínku, nebo ji zahrnete až po uplynutí celého předchozího fiskálního roku?

Ontologie musí tyto prodejny propojit se zásadami, jimiž se výpočet řídí. Vyhledání souvisejících faktů pomáhá; teprve použití správného pravidla dělá odpověď užitečnou.

Agent může před zodpovězením otázky využít vztahy v grafu k vyhledání relevantního kontextu. Není divu, že jsou užitečné, když se znalostní domény mohou snadno stát velmi složitými.

Obrázek 1: Graf kombinovaných veřejných modelů SysML: TMT Thirty Meter Telescope (Open-MBEE/JPL, Apache-2.0), CubeSat System Reference Model (© 2022 INCOSE SSWG & OMG SDTF, CC BY 4.0), Architecting Spacecraft with SysML (Friedenthal & Oster, BSD-2-Clause), a dále fiktivní obsah souhvězdí MDC a veřejné specifikace (IS-GPS-200, IS-GPS-705, GSFC-STD-7000B). Vykresleno v Kamiwaza Kaizen.

Extrakce však může také zakódovat chyby. Týmy mohou pro stejnou entitu používat různé názvy, což vede ke vzniku duplicit. Zdroje si mohou odporovat nebo zastarat. I správný zdroj může jazykový model špatně pochopit. Když tyto chyby vypadají jako autoritativní informace, nejsou o nic méně nebezpečné.

Tato rizika rostou, když se model podnikání stane systémem, který podle něj jedná. Chybný vztah pak může spustit nesprávnou akci, nejen vést k nesprávné odpovědi.

Rizika ontologických produktů

Především se mějte na pozoru před nepružnými modely. Ve snaze nabídnout „vše potřebné v základu“ může dodavatel upřednostnit vlastní entity a omezit možnosti těch vašich. Samotná možnost přizpůsobení nestačí, pokud vlastní typy přijdou o funkce vyhledávání, ověřování nebo provádění akcí.

Za druhé hledejte cestu od objevování ke správě. Nástroj by vám měl umožnit vytvořit základ grafu na základě toho, co rozpozná jazykový model, a následně jej ověřit podle výslovně stanovených omezení. Měli byste mít možnost předávat výjimky k posouzení lidem a uchovávat poznatky získané při průzkumu, aniž byste je považovali za schválená podniková data.

Největším rizikem je navázat podnikové procesy na platformu, od níž nemůžete odejít. Vaše ontologie představuje vaše podnikání: jeho znalosti, procesy a vztahy. Investice do správy a kurátorství dat i do podnikové logiky by měla zůstat užitečná, i když změníte nástroje. Proč by si dodavatel měl smět tuto oblast uzamknout a držet ji pod zámkem?

K čemu pomáhají vektorové reprezentace grafů

Když se znalostní grafy výrazně rozrostou, může se vyplatit zvolit nástroj nebo dodavatele, který podporuje vektorové reprezentace grafů. Ty jsou blízké sémantickým vektorovým reprezentacím, na nichž stojí řada aplikací RAG. Za zvážení stojí dvě užitečné výhody.

Zaprvé, několik kroků v hustě propojeném grafu může vést k příliš velkému počtu entit, které je třeba zpracovat. Vektorové reprezentace získávají učením číselné podoby entit a vztahů a nabízejí další způsob, jak v grafu najít relevantní části. U vhodného úkolu to může být efektivnější než procházet graf.

Zadruhé, modely vektorových reprezentací mohou seřadit kandidátní chybějící vztahy. Stejným učením lze odhalit vzorce v atributech a vztazích typických pro určitý typ entity, což pomáhá vytvořit úplnější graf.

Argumenty pro postupné zlepšování

Jak můžete začít, abyste měli svůj osud ve vlastních rukou, vyhnuli se závislosti na dodavateli a modelovali skutečné podnikání místo jeho karikatury podle představ dodavatele, aniž byste potřebovali celý zástup inženýrů působících přímo u zákazníků? Právě tady podle mě vyniká moderní AI — pokud nástroje podporují cestu od objevování k ověřování.

Nejprve využijte automatizované vyhledávání a extrakci informací. Z obchodních dokumentů, zásad, e-mailů nebo zpráv ve Slacku můžete sestavit první náhled na danou oblast. Klíčové je, že jej nemůžete považovat za přesný, dokud ho neověříte.

Druhou součástí je ověřování. Vaše nástroje vám musí umožnit snadno přejít od vytěžených kandidátních informací k tvrzením podloženým zdroji a ke znalostem ověřeným odpovědnou osobou nebo autoritativním systémem. U každého tvrzení zachovejte jeho zdroj.

Aktuálnost je třeba průběžně udržovat. Postup při vyřizování požadavku na podporu nebo odpověď na otázku „kolik obchodů je v New Jersey“ se dnes může lišit od toho, jak tomu bylo před třemi lety. Aktualizace současných znalostí však nesmí vymazat včerejší skutečnost. Může se lišit, kdy byl fakt zaznamenán a kdy platil; užitečná ontologie musí umožňovat jak získávat aktuální odpovědi, tak přesně rekonstruovat minulost. Někdo musí tyto znalosti i nadále udržovat aktuální.

Rozsah může být obrovský. Začněte s menším korpusem, zmapujte užitečnou oblast a postupně směřujte ke komplexnímu obrazu, přičemž cestou vytvářejte hodnotu.

Jednou z užitečných oblastí je zákaznická podpora: příchozí hovory, e-maily, systém pro správu požadavků, automatizované řešení problémů, tým podpory, který může zákazníkům odpovídat, a možnost předávat skutečné chyby technickému týmu. Tato oblast propojuje znalosti s činností a v přehledném měřítku ukazuje stejná rizika i přínosy.

Omezení ilustruje Common Service Data Model společnosti ServiceNow. Jeho bílá kniha k CSDM 5 varuje: „Bez těchto dat v předepsaných tabulkách možná nevyužijete plný potenciál platformy ServiceNow AI Platform.“ Toto varování samo o sobě vytváří omezení při návrhu i provozu: buď se přizpůsobíte modelu dodavatele, nebo přijmete riziko. Co když to znamená cpát kulatý kolík do jeho hranatého otvoru?

Představme si nyní, že platforma pro ontologie nabízí také příjem dat, transformace, akce a obchodní pravidla. Možná můžete exportovat entity, atributy a vztahy. Dokážete však přenést také transformace a řetězce akcí, které provádějí změny ve vašich databázích, volají webhooky a způsobují další vedlejší účinky? Těsně provázané integrace mohou způsobit, že se na dodavateli stane závislým celý podnik.

Proč je flexibilita důležitá právě teď

Software pohlcuje svět a umělá inteligence pohlcuje software. Když týmy využívají umělou inteligenci jak k vývoji softwaru, tak k jeho provozu, může se s těmito platformami svázat stále více obchodní logiky. Každá užitečná automatizace se navíc může stát další překážkou při migraci. Je nebezpečné nechat dodavatele stát mezi vámi a flexibilitou.

Závěr

Žijeme v úžasné době! Není divu, že lidé zkoumají, jak pomocí ontologií poskytnout agentům kontext. Rozšíření tohoto kontextu na procesy a integrace může přinést skutečnou hodnotu. Vraťme se k úvodní otázce. Opravy od vašich lidí by měly modelu pomoci lépe vystihovat váš podnik. Toto postupně nashromážděné porozumění je příliš cenné na to, aby při změně platformy zůstalo uvězněné v té původní. A také je to hrozná doba na to, nechat se zahnat do kouta.