Przenośne ontologie biznesowe dla agentów AI

Pojęcie „ontologia” zyskuje dziś na popularności. Dlaczego? Agenci i zasilające ich duże modele językowe (LLM) potrzebują kontekstu biznesowego.

Zanim zdecydujesz się na ontologię, zapytaj dostawcę: „Jeśli ontologia błędnie opisze naszą działalność, jak nasi pracownicy mogą ją skorygować — i od czego nadal będziemy zależni?”. Odpowiedź wiele powie o tym, czyj model działalności kupujesz. Wskazuje też na szerszą stawkę: na to, czy będziesz w stanie ulepszać ten model wraz ze zmianami w firmie i zachować wartość tej inwestycji po zmianie platformy.

Warto odróżniać ontologię od grafu wiedzy, choć te dwa pojęcia często się pokrywają.

Ontologia: jakie rodzaje obiektów istnieją, co oznaczają relacje między nimi i jakie reguły mają zastosowanie. Sprzęt, komponenty, zespoły, role, procesy. Na przykład ontologia może definiować typ „Sprzęt” i relację „Zawiera” z typem „Komponent”. Graf wiedzy może następnie stwierdzać: „Pompa P-101 zawiera uszczelkę S-7” — wskazując dwie konkretne encje i relację między nimi.

Wyobraź sobie, że prosisz agenta: „Oblicz wzrost sprzedaży w tych samych sklepach, ale pokaż mi zestawienie obok siebie: najpierw dla wszystkich sklepów, a potem dla sklepów działających od co najmniej 2 lat; następnie podziel obie grupy na sklepy krajowe, międzynarodowe i wszystkie razem”.

To zadanie zależy od szczegółów, których agent nie może odgadnąć:

• jakie sklepy istnieją i kiedy zostały otwarte
• gdzie się znajdują
• wewnętrznej definicji „sprzedaży w tych samych sklepach”

Zgodnie z polityką sklepy mogą być wyłączane z obliczeń do czasu, aż będą działać przez rok; wskazana grupa sklepów działających od 2 lat podlega dodatkowo temu kryterium. Czy w takim przypadku porównujesz miesiące kalendarzowe od razu po spełnieniu przez sklep tego warunku, czy uwzględniasz go dopiero po upływie pełnego poprzedniego roku obrachunkowego?

Ontologia musi łączyć te sklepy z polityką regulującą obliczenia. Znalezienie powiązanych faktów pomaga, ale dopiero zastosowanie właściwej reguły sprawia, że odpowiedź jest użyteczna.

Zanim odpowie na pytanie, agent może wykorzystać relacje w grafie, aby znaleźć istotny kontekst. Nic dziwnego, że takie podejście jest przydatne, skoro dziedziny wiedzy potrafią być bardzo złożone.

Rysunek 1: Graf połączonych publicznych modeli 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 także treści dotyczące fikcyjnej konstelacji MDC i publiczne specyfikacje (IS-GPS-200, IS-GPS-705, GSFC-STD-7000B). Wizualizacja w Kamiwaza Kaizen.

Jednak ekstrakcja może również utrwalać błędy. Zespoły mogą używać różnych nazw dla tej samej encji, tworząc duplikaty. Źródła mogą być ze sobą sprzeczne lub nieaktualne. Nawet poprawne źródło może zostać błędnie odczytane przez LLM. Nadanie takim błędom pozorów wiarygodności nie czyni ich mniej niebezpiecznymi.

Ryzyko rośnie, gdy model działalności staje się systemem, który podejmuje działania na jej podstawie. Błędna relacja może wtedy doprowadzić do błędnego działania, a nie tylko błędnej odpowiedzi.

Ryzyka związane z produktami opartymi na ontologiach

Po pierwsze, uważaj na nieelastyczne modele. Pod hasłem „wszystko w pakiecie” dostawca może traktować własne encje jako podstawowe elementy systemu, ograniczając możliwości tych zdefiniowanych przez ciebie. Sama możliwość dostosowywania nie wystarczy, jeśli niestandardowe typy tracą funkcje wyszukiwania, walidacji lub wykonywania działań.

Po drugie, szukaj drogi od odkrywania do nadzoru. Narzędzie powinno pozwalać wstępnie zbudować graf na podstawie tego, co dostrzega LLM, a następnie zweryfikować go pod kątem jawnie określonych ograniczeń. Powinna istnieć możliwość przekazywania wyjątków do oceny ludziom i zachowywania wiedzy eksploracyjnej bez uznawania jej za zatwierdzone dane biznesowe.

Największym ryzykiem jest uzależnienie procesów biznesowych od platformy, z której nie można odejść. Twoja ontologia odzwierciedla działalność firmy: jej wiedzę, procesy i relacje. Inwestycja w jej opracowanie oraz logikę biznesową powinna pozostać użyteczna nawet po zmianie narzędzi. Dlaczego dostawca miałby móc zamknąć ją na klucz?

Kiedy przydają się osadzenia grafowe

W przypadku bardzo dużych grafów wiedzy warto rozważyć wybór narzędzia lub dostawcy, który obsługuje osadzenia grafowe. Są one blisko spokrewnione z osadzeniami semantycznymi wykorzystywanymi w wielu aplikacjach RAG. Warto wziąć pod uwagę dwie ich zalety.

Po pierwsze, przejście zaledwie kilku krawędzi w gęsto połączonym grafie może doprowadzić do zbyt wielu encji, by można je było przetworzyć. Osadzenia, tworząc numeryczne reprezentacje encji i relacji, oferują inny sposób wyszukiwania istotnych fragmentów grafu. W przypadku odpowiedniego zadania mogą być wydajniejsze niż eksplorowanie grafu.

Po drugie, modele osadzeń mogą porządkować potencjalne brakujące relacje według ich prawdopodobieństwa. To samo uczenie może ujawnić wzorce typowych atrybutów i relacji dla danego typu encji, pomagając zbudować pełniejszy graf.

Argumenty za stopniowym doskonaleniem

Jak samodzielnie decydować o własnym losie, uniknąć uzależnienia od dostawcy i modelować rzeczywistą działalność firmy zamiast jej karykatury narzuconej przez dostawcę — a przy tym zacząć bez armii inżynierów oddelegowanych bezpośrednio do klienta? Moim zdaniem właśnie w takich sytuacjach nowoczesna AI pokazuje swoje możliwości, o ile narzędzia zapewniają drogę od odkrywania do weryfikacji.

Najpierw skorzystaj z automatycznego wykrywania i ekstrakcji. Na podstawie dokumentów biznesowych, zasad, wiadomości e-mail lub wiadomości na Slacku możesz stworzyć wstępny obraz danej dziedziny. Kluczowe jest to, że nie możesz uznać go za dokładny, dopóki go nie zweryfikujesz.

Drugim etapem jest weryfikacja. Narzędzia muszą umożliwiać płynne przejście od wyodrębnionych kandydatów do twierdzeń popartych źródłami oraz wiedzy zatwierdzonej przez odpowiedzialną osobę lub wiarygodny system. Zachowaj źródło każdego twierdzenia.

Dbałość o aktualność to nieustanna praca. Sposób obsługi zgłoszenia problemu lub odpowiedź na pytanie „ile sklepów znajduje się w New Jersey” mogą dziś różnić się od tych sprzed trzech lat. Aktualizowanie obecnej wiedzy nie może jednak wymazywać wczorajszej rzeczywistości. Data zapisania faktu i okres, którego dotyczył, mogą się różnić; użyteczna ontologia musi umożliwiać uzyskiwanie zarówno aktualnych odpowiedzi, jak i wiernego obrazu przeszłości. Ktoś nadal musi dbać o aktualność tej wiedzy.

Zakres może być ogromny. Zacznij od mniejszego zbioru materiałów, odwzoruj użyteczną dziedzinę i stopniowo buduj jej pełny obraz, tworząc po drodze wartość.

Obsługa klienta to jeden z użytecznych obszarów: połączenia przychodzące, e-maile, system zgłoszeń, automatyczne rozwiązywanie spraw, zespół wsparcia mogący odpowiadać klientom oraz możliwość przekazywania rzeczywistych błędów do zespołu inżynierów. Łączy ona wiedzę z działaniem i pozwala dostrzec te same zagrożenia i korzyści w obszarze, którym łatwiej zarządzać.

Ograniczenie to dobrze ilustruje Common Service Data Model firmy ServiceNow. W dokumencie CSDM 5 czytamy: „Jeśli dane te nie znajdą się w określonych tabelach, możesz nie uzyskać pełnej wartości platformy ServiceNow AI Platform”. Samo to ostrzeżenie narzuca ograniczenia projektowe i operacyjne: trzeba postawić na model dostawcy albo zaakceptować ryzyko. A co, jeśli oznacza to wciskanie okrągłego kołka w kwadratowy otwór?

Załóżmy teraz, że platforma ontologiczna zapewnia również pobieranie danych, transformacje, akcje i reguły biznesowe. Być może można wyeksportować encje, atrybuty i relacje. Ale czy da się też przenieść transformacje i potoki akcji, które wprowadzają zmiany w bazach danych, wywołują webhooki i powodują inne skutki uboczne? Ściśle powiązane integracje mogą sprawić, że firma sama zostanie uzależniona od dostawcy.

Dlaczego elastyczność ma teraz znaczenie

Oprogramowanie podbija świat, a AI podbija oprogramowanie. W miarę jak zespoły wykorzystują AI zarówno do tworzenia oprogramowania, jak i do jego działania, coraz więcej logiki biznesowej może zostać powiązane z tymi platformami. Każda użyteczna automatyzacja może stać się kolejną zależnością utrudniającą migrację. Uzależnienie od dostawcy, który stoi na drodze do elastycznego działania, jest niebezpieczne.

Wnioski

Żyjemy w niezwykłych czasach! Nic dziwnego, że ludzie badają możliwości wykorzystania ontologii do dostarczania agentom kontekstu. Rozszerzenie go na procesy i integracje może przynieść realną wartość. Wróćmy do pytania z początku. Korekty wprowadzane przez pracowników powinny sprawiać, że model będzie lepiej odzwierciedlać działalność firmy. Zgromadzonej w ten sposób wiedzy nie można zmarnować przy zmianie platformy. To również fatalny moment, by dać się zepchnąć w ślepy zaułek.