ภววิทยาธุรกิจแบบพกพาสำหรับเอเจนต์ AI

คำว่า “ภววิทยา” กำลังเป็นที่นิยมพูดถึงในช่วงนี้ เพราะเหตุใดหรือ? เอเจนต์และโมเดลภาษาขนาดใหญ่ (LLM) ที่ขับเคลื่อนเอเจนต์เหล่านั้นจำเป็นต้องมีบริบททางธุรกิจที่เกี่ยวข้อง

ก่อนตัดสินใจใช้ภววิทยา ลองถามผู้ให้บริการว่า “เมื่อภววิทยาเข้าใจธุรกิจของเราผิด คนของเราจะแก้ไขได้อย่างไร และส่วนใดยังต้องพึ่งพาคุณอยู่?” คำตอบจะบอกอะไรได้มากว่าคุณกำลังเลือกใช้แบบจำลองธุรกิจของใคร อีกทั้งยังชี้ให้เห็นประเด็นสำคัญที่กว้างกว่านั้น นั่นคือความสามารถในการปรับปรุงแบบจำลองดังกล่าวเมื่อธุรกิจเปลี่ยนแปลง และทำให้การลงทุนนี้ยังคงเป็นประโยชน์หากคุณเปลี่ยนแพลตฟอร์ม

การแยกความแตกต่างระหว่างภววิทยากับกราฟความรู้เป็นประโยชน์ แม้ว่าทั้งสองสิ่งนี้มักจะทับซ้อนกันก็ตาม

ภววิทยา: สิ่งต่าง ๆ ประเภทใดบ้างที่มีอยู่ ความสัมพันธ์มีความหมายอย่างไร และมีกฎใดบ้างที่ใช้บังคับ เช่น อุปกรณ์ ส่วนประกอบ ทีม บทบาท และกระบวนการ ตัวอย่างเช่น ภววิทยาสามารถกำหนดประเภท “อุปกรณ์” และความสัมพันธ์ “ประกอบด้วย” ซึ่งเชื่อมโยงไปยัง “ส่วนประกอบ” จากนั้นกราฟความรู้ก็สามารถระบุได้ว่า “ปั๊ม P-101 ประกอบด้วยซีล S-7” ซึ่งหมายถึงเอนทิตีเฉพาะสองรายการและความสัมพันธ์ระหว่างกัน

ลองนึกภาพว่าคุณบอกเอเจนต์ว่า “คำนวณการเติบโตของยอดขายสาขาเดิม แต่แสดงผลเปรียบเทียบแบบเคียงข้างกัน โดยแสดงทุกสาขาในชุดหนึ่ง แล้วแสดงอีกชุดที่ตัดสาขาซึ่งเปิดมาไม่ถึง 2 ปีออก จากนั้นแยกข้อมูลของทั้งสองชุดเป็นยอดขายในประเทศ ต่างประเทศ และยอดรวม”

คำขอนี้ขึ้นอยู่กับรายละเอียดที่เอเจนต์ไม่อาจคาดเดาได้เอง ดังนี้:

• มีสาขาใดบ้าง และแต่ละสาขาเปิดเมื่อใด
• แต่ละสาขาตั้งอยู่ที่ใด
• นิยามภายในองค์กรของ “ยอดขายสาขาเดิม”

นโยบายหนึ่งอาจกำหนดให้ตัดสาขาออกจนกว่าจะเปิดดำเนินการครบหนึ่งปี ส่วนกลุ่มที่ต้องการเปรียบเทียบระยะสองปีจะมีเงื่อนไขคัดกรองเพิ่มเติมอีกข้อหนึ่ง แต่ถึงอย่างนั้น คุณจะเปรียบเทียบเดือนตามปฏิทินทันทีที่สาขาผ่านเกณฑ์ หรือจะนับรวมสาขานั้นต่อเมื่อมีข้อมูลครบทั้งปีงบการเงินก่อนหน้า?

ภววิทยาต้องเชื่อมโยงสาขาเหล่านั้นเข้ากับนโยบายที่กำกับการคำนวณ การค้นหาข้อเท็จจริงที่เกี่ยวข้องเป็นประโยชน์ แต่การนำกฎที่ถูกต้องมาใช้ต่างหากที่ทำให้คำตอบมีประโยชน์

ก่อนตอบคำถาม เอเจนต์สามารถใช้ความสัมพันธ์ในกราฟเพื่อค้นคืนบริบทที่เกี่ยวข้องได้ จึงไม่แปลกที่สิ่งเหล่านี้จะมีประโยชน์ เพราะโดเมนความรู้สามารถซับซ้อนมากได้โดยง่าย

รูปที่ 1: กราฟ: โมเดล SysML สาธารณะที่นำมารวมกัน ได้แก่ 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) รวมถึงเนื้อหากลุ่มดาว MDC ที่สมมติขึ้นและข้อกำหนดสาธารณะ (IS-GPS-200, IS-GPS-705, GSFC-STD-7000B) เรนเดอร์ด้วย Kamiwaza Kaizen

แต่การดึงข้อมูลอาจทำให้เกิดข้อผิดพลาดขึ้นได้เช่นกัน ทีมต่าง ๆ อาจใช้ชื่อที่แตกต่างกันเรียกเอนทิตีเดียวกันจนเกิดข้อมูลซ้ำ แหล่งข้อมูลอาจขัดแย้งกันหรือล้าสมัย แม้แต่แหล่งข้อมูลที่ชัดเจนก็อาจถูก LLM อ่านผิดได้ การทำให้ข้อผิดพลาดเหล่านั้นดูน่าเชื่อถือไม่ได้ทำให้เป็นอันตรายน้อยลง

ความเสี่ยงเหล่านี้เพิ่มขึ้นเมื่อแบบจำลองธุรกิจกลายเป็นระบบที่ลงมือดำเนินการกับธุรกิจนั้น ความสัมพันธ์ที่ผิดพลาดจึงอาจกระตุ้นให้เกิดการกระทำที่ผิด ไม่ใช่แค่คำตอบที่ผิด

ความเสี่ยงของผลิตภัณฑ์ภววิทยา

ประการแรก ควรระวังแบบจำลองที่ปรับเปลี่ยนได้ยาก ผู้ให้บริการอาจอ้างว่าผลิตภัณฑ์ “มีทุกอย่างพร้อมใช้” แต่กลับกำหนดให้เอนทิตีของตนเป็นองค์ประกอบหลัก ขณะจำกัดสิ่งที่เอนทิตีของคุณทำได้ การปรับแต่งเพียงอย่างเดียวไม่เพียงพอ หากประเภทที่กำหนดเองสูญเสียความสามารถในการค้นหา ตรวจสอบความถูกต้อง หรือดำเนินการ

ประการที่สอง ให้มองหาเส้นทางจากการค้นพบไปสู่การกำกับดูแล เครื่องมือควรช่วยให้คุณเริ่มสร้างกราฟจากสิ่งที่ LLM มองเห็น แล้วตรวจสอบความถูกต้องเทียบกับข้อจำกัดที่ระบุไว้อย่างชัดเจนได้ คุณควรส่งต่อกรณียกเว้นให้คนพิจารณาได้ และเก็บรักษาความรู้ที่ได้จากการสำรวจไว้โดยไม่ถือว่าเป็นข้อมูลธุรกิจที่ได้รับอนุมัติแล้ว

ความเสี่ยงที่ใหญ่ที่สุดคือการผูกกระบวนการทางธุรกิจไว้กับแพลตฟอร์มที่คุณไม่สามารถย้ายออกได้ ภววิทยาของคุณเป็นตัวแทนธุรกิจของคุณ ทั้งความรู้ กระบวนการ และความสัมพันธ์ การลงทุนลงแรงจัดระเบียบข้อมูลและสร้างตรรกะทางธุรกิจนี้ควรยังคงเป็นประโยชน์ แม้คุณจะเปลี่ยนเครื่องมือ แล้วเหตุใดผู้ให้บริการจึงควรมีสิทธิเก็บสิ่งเหล่านี้ไว้ในที่ที่คุณเข้าถึงไม่ได้?

ประโยชน์ของการฝังตัวแทนกราฟ

เมื่อกราฟความรู้มีขนาดใหญ่มาก การเลือกเครื่องมือหรือผู้ให้บริการที่รองรับการฝังตัวแทนกราฟอาจคุ้มค่า เทคนิคนี้มีความใกล้เคียงกับการฝังตัวแทนเชิงความหมายที่ใช้ขับเคลื่อนแอปพลิเคชัน RAG จำนวนมาก โดยมีประโยชน์สำคัญสองประการที่ควรพิจารณา

ประการแรก การไล่ตามเส้นเชื่อมเพียงไม่กี่ขั้นในกราฟที่เชื่อมโยงกันหนาแน่นก็อาจได้เอนทิตีจำนวนมากเกินกว่าจะประมวลผลได้ การฝังตัวแทนช่วยค้นหาส่วนที่เกี่ยวข้องในกราฟได้อีกวิธีหนึ่ง ด้วยการเรียนรู้ตัวแทนเชิงตัวเลขของเอนทิตีและความสัมพันธ์ สำหรับงานที่เหมาะสม วิธีนี้อาจมีประสิทธิภาพมากกว่าการไล่สำรวจกราฟ

ประการที่สอง แบบจำลองการฝังตัวแทนสามารถจัดอันดับความสัมพันธ์ที่อาจขาดหายไปได้ การเรียนรู้แบบเดียวกันนี้ยังเผยให้เห็นรูปแบบของคุณลักษณะและความสัมพันธ์ที่มักพบในเอนทิตีประเภทหนึ่ง ซึ่งช่วยสร้างกราฟให้สมบูรณ์ยิ่งขึ้น

เหตุผลที่ควรปรับปรุงอย่างต่อเนื่อง

หากต้องการกำหนดอนาคตของธุรกิจด้วยตนเอง หลีกเลี่ยงการผูกติดกับผู้ให้บริการ และสร้างแบบจำลองธุรกิจตามความเป็นจริงแทนภาพล้อเลียนที่ผู้ให้บริการกำหนดไว้ คุณจะเริ่มต้นอย่างไรโดยไม่ต้องมีทีมวิศวกรจำนวนมากที่ประจำการล่วงหน้า? ในความเห็นของฉัน AI สมัยใหม่มีความโดดเด่นในจุดนี้ หากเครื่องมือรองรับเส้นทางตั้งแต่การค้นพบไปจนถึงการตรวจสอบยืนยัน

ขั้นแรก ใช้ระบบอัตโนมัติค้นหาและดึงข้อมูล คุณสามารถสร้างภาพเบื้องต้นของโดเมนหนึ่งได้จากเอกสารทางธุรกิจ นโยบาย อีเมล หรือข้อความใน Slack ประเด็นสำคัญคือ คุณยังวางใจไม่ได้ว่าข้อมูลนั้นถูกต้องจนกว่าจะผ่านการตรวจสอบ

การตรวจสอบความถูกต้องคือขั้นตอนที่สอง เครื่องมือของคุณต้องช่วยให้เปลี่ยนจากข้อมูลที่ดึงมาได้ในเบื้องต้น ไปสู่ข้อกล่าวอ้างที่มีแหล่งข้อมูลรองรับ และองค์ความรู้ที่ผ่านการยืนยันจากผู้รับผิดชอบหรือระบบที่เชื่อถือได้อย่างราบรื่น ทั้งยังต้องเก็บรักษาแหล่งที่มาของข้อกล่าวอ้างแต่ละข้อไว้

การรักษาข้อมูลให้เป็นปัจจุบันเป็นงานที่ต้องทำอย่างต่อเนื่อง วิธีจัดการกับคำร้องขอความช่วยเหลือ หรือคำตอบของคำถามว่า “มีร้านค้าอยู่ในนิวเจอร์ซีย์กี่แห่ง” ในวันนี้ อาจไม่เหมือนกับเมื่อ 3 ปีก่อน แต่การปรับปรุงองค์ความรู้ในปัจจุบันต้องไม่ลบล้างความเป็นจริงในอดีต เวลาที่มีการบันทึกข้อเท็จจริงกับช่วงเวลาที่ข้อเท็จจริงนั้นใช้ได้อาจแตกต่างกัน ออนโทโลยีที่มีประโยชน์จึงต้องรองรับทั้งคำตอบในปัจจุบันและภาพประวัติศาสตร์ที่ถูกต้อง และยังต้องมีคนคอยดูแลองค์ความรู้นั้นให้ทันสมัยอยู่เสมอ

ขอบเขตของงานอาจกว้างใหญ่มาก เริ่มจากคลังข้อมูลขนาดเล็กกว่าเดิม ทำแผนที่โดเมนที่มีประโยชน์ แล้วค่อย ๆ สร้างภาพที่ครอบคลุม พร้อมสร้างคุณค่าไปตลอดทาง

การสนับสนุนลูกค้าเป็นขอบเขตย่อยหนึ่งที่นำมาศึกษาได้ ไม่ว่าจะเป็นสายเรียกเข้า อีเมล ระบบจัดการคำร้องขอ การแก้ปัญหาโดยอัตโนมัติ ทีมสนับสนุนที่ตอบลูกค้าได้ และกระบวนการส่งต่อข้อบกพร่องที่เกิดขึ้นจริงให้ทีมวิศวกรรม งานส่วนนี้เชื่อมโยงองค์ความรู้เข้ากับการลงมือทำ และเผยให้เห็นทั้งความเสี่ยงและประโยชน์ที่อาจได้รับในขอบเขตที่จัดการได้

Common Service Data Model ของ ServiceNow แสดงให้เห็นข้อจำกัดนี้ ในเอกสารไวท์เปเปอร์ CSDM 5 ระบุคำเตือนว่า “หากไม่มีข้อมูลนี้อยู่ในตารางตามที่กำหนด คุณอาจไม่ได้รับประโยชน์จาก ServiceNow AI Platform อย่างเต็มที่” คำเตือนนี้เองสร้างข้อจำกัดทั้งด้านการออกแบบและการปฏิบัติงาน กล่าวคือ ต้องเลือกว่าจะปรับตามโมเดลของผู้จำหน่าย หรือยอมรับความเสี่ยง แล้วถ้าการทำเช่นนั้นหมายถึงการฝืนยัดหมุดกลมของคุณลงในรูสี่เหลี่ยมของพวกเขาล่ะ

ลองสมมติว่าแพลตฟอร์มออนโทโลยีมีทั้งการนำเข้าข้อมูล การแปลงข้อมูล การดำเนินการ และกฎทางธุรกิจให้ด้วย คุณอาจส่งออกเอนทิตี คุณลักษณะ และความสัมพันธ์ได้ แต่คุณจะย้ายกระบวนการแปลงข้อมูลและชุดคำสั่งดำเนินการที่เปลี่ยนแปลงฐานข้อมูล เรียกใช้เว็บฮุก และก่อให้เกิดผลข้างเคียงอื่น ๆ ไปด้วยได้หรือไม่ การเชื่อมต่อที่ผูกติดกันแน่นเกินไปอาจทำให้ธุรกิจเองถูกผูกมัดไว้กับแพลตฟอร์ม

เหตุใดความยืดหยุ่นจึงสำคัญในตอนนี้

ซอฟต์แวร์กำลังกลืนกินโลก และ AI ก็กำลังกลืนกินซอฟต์แวร์ เมื่อทีมต่าง ๆ ใช้ AI ทั้งเพื่อสร้างซอฟต์แวร์และขับเคลื่อนการทำงานของซอฟต์แวร์ ตรรกะทางธุรกิจจำนวนมากขึ้นก็อาจผูกติดกับแพลตฟอร์มเหล่านี้ ระบบอัตโนมัติที่มีประโยชน์แต่ละอย่างอาจกลายเป็นอีกหนึ่งสิ่งที่ต้องพึ่งพาเมื่อต้องย้ายระบบ การปล่อยให้ผู้จำหน่ายมาขวางกั้นระหว่างคุณกับความคล่องตัวจึงเป็นเรื่องเสี่ยง

บทสรุป

นี่เป็นช่วงเวลาที่ยอดเยี่ยมของการมีชีวิตอยู่! จึงไม่น่าแปลกใจที่ผู้คนกำลังสำรวจการใช้ออนโทโลยีเพื่อให้บริบทแก่เอเจนต์ การขยายบริบทนั้นไปสู่กระบวนการและการเชื่อมต่อระบบสามารถสร้างคุณค่าได้อย่างแท้จริง กลับมาที่คำถามตอนต้น การแก้ไขจากบุคลากรของคุณควรช่วยให้โมเดลสะท้อนภาพธุรกิจของคุณได้ดียิ่งขึ้น ความเข้าใจที่สั่งสมมานั้นมีค่ามากเกินกว่าจะปล่อยให้ติดค้างอยู่กับแพลตฟอร์มเดิมเมื่อคุณเปลี่ยนแพลตฟอร์ม และนี่ก็เป็นช่วงเวลาที่แย่เหลือเกินหากต้องถูกต้อนจนไม่มีทางเลือก