Ontologi Bisnis Portabel untuk Agen AI

Istilah “ontologi” kini sedang populer. Mengapa? Agen dan LLM yang mendukungnya membutuhkan konteks bisnis yang relevan.

Sebelum memutuskan untuk menggunakan ontologi, tanyakan kepada vendor: “Jika ontologi itu keliru memahami bisnis kami, bagaimana tim kami dapat memperbaikinya—dan apa yang tetap bergantung pada Anda?” Jawabannya akan memberi banyak gambaran tentang model bisnis siapa yang Anda pilih. Jawaban itu juga menunjukkan hal yang lebih besar taruhannya: kemampuan Anda untuk menyempurnakan model tersebut seiring perubahan bisnis, serta menjaga agar investasi itu tetap bermanfaat jika Anda berganti platform.

Ada baiknya membedakan ontologi dari graf pengetahuan, meskipun keduanya sering kali saling tumpang tindih.

Ontologi: Jenis hal apa saja yang ada, arti hubungan di antaranya, dan aturan yang berlaku. Peralatan, komponen, tim, peran, proses. Sebagai contoh, ontologi dapat menetapkan tipe “Peralatan” dan hubungan “Berisi” dengan “Komponen”. Graf pengetahuan kemudian dapat menyatakan, “Pompa P-101 berisi Segel S-7”: dua entitas spesifik beserta hubungan di antara keduanya.

Bayangkan Anda memberi tahu sebuah agen, “Hitung pertumbuhan penjualan toko yang sama, tetapi tampilkan perbandingan berdampingan: pertama, semua toko; lalu, kelompok lain yang tidak mencakup toko yang telah beroperasi kurang dari 2 tahun. Setelah itu, bagi kedua kelompok menjadi domestik, internasional, dan gabungan.”

Permintaan itu bergantung pada detail yang tidak dapat ditebak oleh agen:

• toko mana saja yang ada dan kapan toko-toko itu dibuka
• lokasinya
• definisi internal “penjualan toko yang sama”

Sebuah kebijakan mungkin mengecualikan toko sampai toko tersebut beroperasi selama satu tahun; kelompok yang diminta untuk periode dua tahun menambahkan satu penyaringan lagi. Meski begitu, apakah perbandingannya menggunakan bulan kalender segera setelah sebuah toko memenuhi syarat, atau toko itu baru disertakan setelah melewati satu tahun fiskal penuh sebelumnya?

Ontologi perlu menghubungkan toko-toko tersebut dengan kebijakan yang mengatur perhitungannya. Menemukan fakta terkait memang membantu, tetapi penerapan aturan yang tepatlah yang membuat jawabannya berguna.

Sebelum menjawab pertanyaan, agen dapat memanfaatkan hubungan dalam graf untuk mengambil konteks yang relevan. Tidak heran hal ini berguna, mengingat ranah pengetahuan bisa menjadi sangat kompleks.

Gambar 1: Graf gabungan model SysML publik: 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), serta konten konstelasi MDC fiktif dan spesifikasi publik (IS-GPS-200, IS-GPS-705, GSFC-STD-7000B). Dirender di Kamiwaza Kaizen.

Namun, proses ekstraksi juga dapat memasukkan kesalahan. Tim mungkin menggunakan nama yang berbeda untuk entitas yang sama, sehingga muncul duplikat. Sumber-sumber bisa saling bertentangan atau menjadi usang. Bahkan sumber yang bersih pun dapat disalahartikan oleh LLM. Membuat kesalahan tersebut tampak berwibawa tidak membuatnya lebih aman.

Risiko itu meningkat ketika model bisnis menjadi sistem yang bertindak berdasarkan model tersebut. Hubungan yang keliru kemudian dapat memicu tindakan yang salah, bukan sekadar menghasilkan jawaban yang salah.

Risiko Produk Ontologi

Pertama, waspadalah terhadap model yang kaku. Dengan dalih menawarkan paket “lengkap dengan semua fitur”, vendor mungkin menjadikan entitas mereka sendiri sebagai entitas kelas satu, sekaligus membatasi kemampuan entitas Anda. Kustomisasi saja tidak cukup jika tipe kustom kehilangan kemampuan pencarian, validasi, atau tindakan.

Kedua, carilah jalur dari penemuan menuju tata kelola. Sebuah alat seharusnya memungkinkan Anda membangun graf awal berdasarkan apa yang dilihat LLM, lalu memvalidasinya berdasarkan batasan yang dinyatakan secara eksplisit. Anda seharusnya dapat meneruskan pengecualian kepada orang yang berwenang dan mempertahankan pengetahuan eksploratif tanpa memperlakukannya sebagai data bisnis yang telah disetujui.

Risiko terbesarnya adalah mengikat proses bisnis pada platform yang tidak dapat Anda tinggalkan. Ontologi Anda merepresentasikan bisnis Anda: pengetahuan, proses, dan hubungannya. Investasi dalam kurasi dan logika bisnis itu seharusnya tetap bermanfaat sekalipun Anda berganti alat. Mengapa vendor berhak mengunci semua itu?

Manfaat Embedding Graf

Ketika graf pengetahuan berkembang menjadi sangat besar, ada baiknya mempertimbangkan alat atau vendor yang mendukung embedding graf. Teknologi ini sangat mirip dengan embedding semantik yang mendukung banyak aplikasi RAG. Ada dua manfaat yang patut dipertimbangkan.

Pertama, beberapa langkah penelusuran di graf yang saling terhubung dengan rapat dapat menghasilkan terlalu banyak entitas untuk diproses. Dengan mempelajari representasi numerik entitas dan hubungan, embedding menyediakan cara lain untuk menemukan bagian graf yang relevan. Untuk tugas yang tepat, cara ini bisa lebih efisien daripada menelusuri graf.

Kedua, model embedding dapat mengurutkan kandidat hubungan yang hilang. Proses pembelajaran yang sama dapat mengungkap pola atribut dan hubungan yang lazim pada suatu tipe entitas, sehingga membantu membangun graf yang lebih lengkap.

Alasan untuk Penyempurnaan Bertahap

Untuk menentukan arah Anda sendiri, menghindari keterikatan pada satu vendor, dan memodelkan bisnis Anda yang sebenarnya alih-alih karikaturnya yang ditentukan vendor, bagaimana Anda memulainya tanpa mengerahkan banyak insinyur ke lokasi? Di sinilah, menurut saya, AI modern unggul—jika perangkat yang digunakan mendukung proses dari penemuan hingga verifikasi.

Pertama, gunakan penemuan dan ekstraksi otomatis. Dari dokumen bisnis, kebijakan, email, atau pesan Slack, Anda dapat menyusun gambaran awal suatu ranah. Hal terpentingnya, Anda tidak dapat menganggap gambaran itu akurat sebelum diverifikasi.

Verifikasi adalah tahap kedua. Perangkat yang Anda gunakan harus menyediakan jalur yang lancar, dari kandidat hasil ekstraksi menjadi klaim yang berlandaskan sumber, lalu menjadi pengetahuan yang divalidasi oleh orang yang bertanggung jawab atau sistem berwenang. Pertahankan sumber setiap klaim.

Menjaga informasi tetap mutakhir adalah pekerjaan berkelanjutan. Proses penanganan tiket masalah, atau jawaban atas pertanyaan “berapa banyak toko yang ada di New Jersey”, mungkin berbeda sekarang dibandingkan tiga tahun lalu. Namun, memperbarui pengetahuan saat ini tidak boleh menghapus kenyataan di masa lalu. Waktu suatu fakta dicatat dan waktu fakta itu berlaku bisa berbeda; ontologi yang berguna harus mendukung jawaban terkini sekaligus gambaran historis yang akurat. Seseorang tetap harus menjaga agar pengetahuan itu selalu mutakhir.

Cakupannya bisa sangat luas. Mulailah dengan kumpulan data yang lebih kecil, petakan ranah yang berguna, lalu kembangkan hingga menjadi gambaran menyeluruh sambil terus menciptakan nilai.

Dukungan pelanggan adalah salah satu bagian yang berguna untuk ditangani: panggilan masuk, email, sistem tiket, penyelesaian otomatis, tim dukungan yang dapat menanggapi pelanggan, serta jalur untuk meneruskan bug yang benar-benar terjadi kepada tim rekayasa. Bagian ini menghubungkan pengetahuan dengan tindakan dan memperlihatkan risiko serta manfaat yang sama dalam ranah yang dapat dikelola.

Common Service Data Model dari ServiceNow menggambarkan batasan tersebut. Makalah resmi CSDM 5 memperingatkan, “Tanpa data ini di tabel yang ditentukan, Anda mungkin tidak memperoleh seluruh manfaat dari ServiceNow AI Platform.” Peringatan itu sendiri menimbulkan batasan desain dan operasional: ikuti model vendor atau terima risikonya. Bagaimana jika itu berarti memaksakan pasak bulat Anda ke lubang persegi mereka?

Sekarang, bayangkan sebuah platform ontologi juga menyediakan pemasukan data, transformasi, tindakan, dan aturan bisnis. Anda mungkin dapat mengekspor entitas, atribut, dan relasi. Namun, dapatkah Anda juga memindahkan transformasi dan rangkaian tindakan yang menjalankan perubahan di basis data Anda, memanggil webhook, dan menimbulkan dampak samping lainnya? Integrasi yang terikat erat dapat membuat bisnis itu sendiri terkunci pada platform.

Mengapa Fleksibilitas Penting Saat Ini

Perangkat lunak kian menguasai dunia, dan AI kian menguasai perangkat lunak. Saat tim menggunakan AI untuk membangun perangkat lunak sekaligus menjadi penggeraknya, semakin banyak logika bisnis yang dapat terikat pada platform-platform ini. Setiap otomatisasi yang bermanfaat juga dapat menjadi satu lagi ketergantungan saat migrasi. Membiarkan vendor menghalangi Anda mencapai kelincahan adalah hal yang berbahaya.

Kesimpulan

Sungguh masa yang luar biasa untuk hidup! Tak heran orang-orang menjajaki ontologi untuk memberi konteks kepada agen. Memperluas konteks itu ke dalam proses dan integrasi dapat menghasilkan nilai nyata. Mari kembali ke pertanyaan pembuka tadi. Koreksi dari orang-orang di organisasi Anda seharusnya membuat model tersebut semakin mencerminkan bisnis Anda. Pemahaman yang terkumpul itu terlalu berharga untuk tertinggal saat Anda berganti platform. Ini juga masa yang buruk untuk terpojok tanpa jalan keluar.