Yapay Zekâ Ajanları için Taşınabilir İş Ontolojileri

“Ontoloji” terimi son zamanlarda revaçta. Neden mi? Ajanların ve onlara güç veren LLM’lerin, işle ilgili bağlama ihtiyaçları var.

Bir ontolojiye yatırım yapmadan önce tedarikçiye şunu sorun: “Ontoloji işimizi yanlış tanımladığında çalışanlarımız bunu nasıl düzeltebilir ve hangi konularda hâlâ size bağımlı kalırız?” Alacağınız yanıt, nasıl bir iş modeline yatırım yaptığınız konusunda size çok şey anlatacaktır. Ayrıca konunun daha büyük önemini de ortaya koyar: İş değiştikçe bu modeli geliştirebilmeniz ve platform değiştirseniz bile yaptığınız yatırımın değerini koruması.

İki kavram çoğu zaman örtüşse de ontolojiyi bilgi grafiğinden ayırmakta yarar var.

Ontoloji: Ne tür şeylerin var olduğu, ilişkilerin ne anlama geldiği ve hangi kuralların geçerli olduğu. Ekipmanlar, bileşenler, ekipler, roller, süreçler. Örneğin bir ontoloji, “Ekipman” türünü ve “Bileşen” ile arasında “İçerir” ilişkisini tanımlayabilir. Ardından bir bilgi grafiği, “P-101 pompası S-7 contasını içerir” ifadesini kaydedebilir: iki belirli varlık ve aralarındaki ilişki.

Bir ajana şöyle dediğinizi düşünün: “Aynı mağaza satışlarındaki büyümeyi hesapla; ancak önce tüm mağazaları gösteren bir karşılaştırma, ardından 2 yıldan kısa süredir açık olan mağazaları hariç tutan başka bir karşılaştırma hazırla. Sonra her iki karşılaştırmayı yurt içi, uluslararası ve birleşik olarak ayrıştır.”

Bu istek, ajanın tahmin edemeyeceği ayrıntılara bağlıdır:

• hangi mağazaların var olduğu ve ne zaman açıldıkları
• nerede bulundukları
• “aynı mağaza satışları” ifadesinin şirket içindeki tanımı

Bir politika, mağazalar bir yıl boyunca açık kalana kadar onları hesaplamanın dışında tutabilir; istenen iki yıllık grup ise buna ek bir filtre getirir. Peki bir mağaza koşulu sağladığı anda takvim aylarını mı karşılaştırırsınız, yoksa yalnızca önceki mali yılın tamamı geride kaldıktan sonra mı hesaba katarsınız?

Ontolojinin, bu mağazaları hesaplamayı yöneten politikaya bağlaması gerekir. İlgili olguları bulmak yararlıdır; yanıtı işe yarar kılan ise doğru kuralı uygulamaktır.

Bir ajan, bir soruyu yanıtlamadan önce ilgili bağlamı edinmek için grafikteki ilişkilerden yararlanabilir. Bilgi alanları kolayca çok karmaşık hâle gelebildiğinden, ajanların ne kadar yararlı olduğu da şaşırtıcı değildir.

Şekil 1: Grafik: Birleştirilmiş, kamuya açık SysML modelleri: 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); ayrıca kurgusal MDC takımyıldızı içeriği ve kamuya açık teknik özellikler (IS-GPS-200, IS-GPS-705, GSFC-STD-7000B). Kamiwaza Kaizen’de oluşturuldu.

Ancak bilgi çıkarımı hataları da kodlayabilir. Ekipler aynı varlık için farklı adlar kullanarak yinelenen kayıtlar oluşturabilir. Kaynaklar birbiriyle çelişebilir veya güncelliğini yitirebilir. Kusursuz bir kaynak bile LLM tarafından yanlış yorumlanabilir. Bu hataları güvenilir görünür hâle getirmek, onları daha az tehlikeli yapmaz.

İş modelinin, iş üzerinde eyleme geçen bir sisteme dönüşmesi bu riskleri artırır. Yanlış bir ilişki bu durumda yalnızca yanlış bir yanıta değil, yanlış bir eyleme de yol açabilir.

Ontoloji Ürünlerinin Riskleri

İlk olarak, esnek olmayan modellere karşı temkinli olun. Bir tedarikçi, “her şey dâhil” bir ürün sunma iddiasıyla kendi varlıklarını birinci sınıf öğeler hâline getirirken sizinkilerin yapabileceklerini kısıtlayabilir. Özel türler arama, doğrulama veya eylem yeteneklerini kaybediyorsa özelleştirme tek başına yeterli değildir.

İkinci olarak, keşiften yönetişime uzanan bir yol olup olmadığına bakın. Bir araç, LLM’in gördüklerinden yola çıkarak bir grafiği başlatmanıza, ardından grafiği açık kısıtlamalara göre doğrulamanıza olanak tanımalıdır. İstisnaları incelemeleri için insanlara aktarabilmeli ve keşif amaçlı bilgileri, onaylanmış iş verisi gibi ele almadan koruyabilmelisiniz.

En büyük risk, iş süreçlerini ayrılamayacağınız bir platforma bağlamaktır. Ontolojiniz işinizi; bilgisini, süreçlerini ve ilişkilerini temsil eder. Bu bilgiyi derlemek ve iş mantığını oluşturmak için yaptığınız yatırım, araçlarınızı değiştirseniz bile değerini korumalıdır. Bir tedarikçi neden bunları kilit altında tutabilsin ki?

Graf Gömülerinin Yararlı Olduğu Noktalar

Bilgi grafikleri çok büyüdüğünde, graf gömmelerini destekleyen bir araç veya tedarikçi seçmek yararlı olabilir. Bunlar, pek çok RAG uygulamasına güç veren anlamsal gömmelerle yakından ilişkilidir. Değerlendirmeye değer iki önemli yararları vardır.

İlk olarak, yoğun bağlantılı bir grafikte birkaç adım ilerlemek bile işlenemeyecek kadar çok varlıkla sonuçlanabilir. Gömme modelleri, varlıkların ve ilişkilerin sayısal temsillerini öğrenerek grafiğin ilgili bölümlerini bulmanın başka bir yolunu sunar. Doğru görev için bu yöntem, grafiği adım adım taramaktan daha verimli olabilir.

İkinci olarak, gömme modelleri eksik olabilecek ilişkiler için adayları sıralayabilir. Aynı öğrenme süreci, bir varlık türüne özgü nitelik ve ilişki örüntülerini ortaya çıkararak daha eksiksiz bir grafik oluşturmaya yardımcı olabilir.

Aşamalı İyileştirmenin Gerekçesi

Kendi geleceğinizi kontrol etmek, bir tedarikçiye bağımlı kalmamak ve işinizi tedarikçinin dayattığı çarpıtılmış bir model yerine gerçekte olduğu gibi modellemek istiyorsanız, sahada görevlendirilecek koca bir mühendis ekibi olmadan işe nasıl başlayabilirsiniz? Bence modern yapay zekânın öne çıktığı nokta tam da burası; tabii kullanılan araçlar keşiften doğrulamaya uzanan bir yol sunuyorsa.

Öncelikle otomatik keşif ve bilgi çıkarımından yararlanın. İş belgelerinden, politikalardan, e-postalardan veya Slack mesajlarından bir alanın ilk görünümünü oluşturabilirsiniz. Ancak kritik nokta şu: doğrulanana kadar bunun doğru olduğuna güvenemezsiniz.

İkinci adım doğrulamadır. Araçlarınız, çıkarılan aday bilgilerden kaynaklara dayalı iddialara ve sorumlu bir kişi ya da yetkili bir sistem tarafından doğrulanmış bilgilere sorunsuzca ilerlemenizi sağlamalıdır. Her iddianın kaynağını koruyun.

Bilgilerin güncelliğini korumak sürekli çalışma gerektirir. Bir destek kaydını ele alma süreci ya da “New Jersey’de kaç mağaza var?” sorusunun yanıtı, bugün üç yıl öncekiyle aynı olmayabilir. Ancak bugünkü bilgileri güncellerken dünkü gerçekleri silmemek gerekir. Bir bilginin kaydedildiği zaman ile geçerli olduğu zaman farklı olabilir; kullanışlı bir ontoloji hem güncel yanıtları hem de geçmişe ilişkin doğru bir görünümü desteklemelidir. Bu bilgileri güncel tutmak yine de birilerinin sorumluluğundadır.

Kapsam çok geniş olabilir. Daha küçük bir veri bütünüyle başlayın, yararlı bir alanı haritalandırın ve süreç boyunca değer yaratırken kapsamlı bir görünüm oluşturacak şekilde ilerleyin.

Müşteri desteği, ele alınabilecek yararlı alanlardan biridir: gelen çağrılar, e-postalar, bir bilet sistemi, otomatik çözümler, müşterilere yanıt verebilecek bir destek ekibi ve gerçek yazılım hatalarını mühendislik ekibine iletme süreci. Bu alan, bilgiyi eyleme bağlar ve yönetilebilir bir kapsamda aynı riskleri ve fırsatları ortaya çıkarır.

ServiceNow’un Ortak Hizmet Veri Modeli, bu kısıtlamayı gözler önüne seriyor. CSDM 5 teknik inceleme belgesinde şu uyarı yer alıyor: “Bu veriler belirtilen tablolarda bulunmazsa ServiceNow AI Platform’un tüm değerinden yararlanamayabilirsiniz.” Bu uyarının kendisi, tasarım ve operasyon açısından bir kısıt yaratıyor: satıcının modelini benimsemek ya da bir riski göze almak. Peki bu, yuvarlak bir parçayı onların kare deliğine tıkıştırmak anlamına geliyorsa?

Şimdi bir ontoloji platformunun veri alımı, dönüşümler, eylemler ve iş kuralları da sunduğunu varsayalım. Varlıkları, nitelikleri ve ilişkileri dışa aktarabilirsiniz. Peki veritabanlarınızda değişiklikler yapan, webhook çağrıları gerçekleştiren ve başka yan etkiler oluşturan dönüşümleri ve eylem süreçlerini de taşıyabilir misiniz? Sıkı biçimde birbirine bağlı entegrasyonlar, işletmenin kendisini de platforma bağımlı hâle getirebilir.

Esneklik Neden Şimdi Önemli?

Yazılım dünyayı yutuyor, yapay zekâ da yazılımı. Ekipler yapay zekâyı hem yazılım geliştirmek hem de yazılıma güç katmak için kullandıkça, daha fazla iş mantığı bu platformlara bağlanabilir. Her yararlı otomasyon, geçiş sürecinde yeni bir bağımlılığa da dönüşebilir. Bir satıcının sizinle çeviklik arasına girmesine izin vermek tehlikelidir.

Sonuç

Hayatta olmak için harika bir zaman! İnsanların ajanlara bağlam sağlamak üzere ontolojileri araştırmasına şaşmamak gerek. Bu bağlamı süreçlere ve entegrasyonlara taşımak gerçek değer yaratabilir. Başlangıçtaki soruya geri dönelim. Çalışanlarınızın yaptığı düzeltmeler, modeli işletmenizi daha iyi yansıtacak hâle getirmeli. Biriken bu anlayış, platform değiştirdiğinizde geride bırakılmayacak kadar değerli. Ayrıca kendinizi bir köşeye sıkıştırmanın tam da sırası değil.