Генеративный ИИ — особенно большие языковые модели (LLM) — обещает кардинальные улучшения в привлечении клиентов, обнаружении контента и поддержке принятия решений. Однако под поверхностью этих громких вариантов использования часто упускается из виду один основополагающий элемент: архитектура знаний — это то, как вы организуете и структурируете критические концепции, отношения и правила управления, которые определяют ваше предприятие. Это разница между системой ИИ, которая случайным образом генерирует ответы, и той, которая предоставляет релевантные, заслуживающие доверия и объяснимые ответы.

Адаптация и перевод статьи Сета Эрли.

В этой статье освещаются ключевые принципы построения архитектуры знаний, ориентированной на будущее, и описывается захватывающие возможности для ускорения разработки знаний с помощью онтологической платформы.

Думайте о малом, показывайте большие результаты

Одна из самых больших ловушек в управлении знаниями — попытка «вскипятить океан» — создание огромных, всеобъемлющих онтологий или таксономий, которые никогда не будут полностью развернуты. Вместо этого «малая семантика» использует более целенаправленный и практичный подход.

• Инкрементальный охват: Определите случаи использования, где ваш ИИ может немедленно добавить ценность. Сначала разработайте свою модель знаний вокруг этих потребностей (например, поддержка продукта, документация по соответствию).
• Ясность превыше сложности: включайте только те сущности и отношения, которые напрямую способствуют решению определенных вариантов использования. Все, что не относится к делу немедленно, можно добавить позже, если возникнет реальная необходимость.
• Демонстрируйте быстрые победы — например, более быстрое решение проблем клиентов или улучшение релевантности поиска — вы создаете импульс и доказываете рентабельность инвестиций в архитектуру знаний. Со временем модель органически расширяется, руководствуясь реальными бизнес-приоритетами (и в рамках предопределенной модели домена — принципов организации общей картины информационной среды).

Управление: основа доверия

Управление может показаться бюрократическим препятствием, но оно имеет решающее значение для поддержания соответствия между архитектурой знаний и меняющимися потребностями организации. Оно выполняет несколько функций:

• Управление жизненным циклом: по мере изменения продуктов, открытия новых рынков и изменения политик ваша модель знаний должна идти в ногу со временем. Управление определяет, как вы добавляете или изменяете концепции контролируемым и прозрачным образом.
• Согласование бизнес-глоссария: несогласованные определения могут сорвать в остальном надежную инициативу ИИ. Сопоставляя каждый термин или сущность с утвержденным бизнес-глоссарием, вы обеспечиваете согласованность между отделами.
• Измерение эффективности: привязка управления к ключевым показателям эффективности (KPI), таким как скорость поиска необходимой информации или сокращение объема ручного исправления данных, помогает командам увидеть немедленные выгоды и соответствующим образом спланировать бюджет.

Эффективное управление не обременяет вас — оно обеспечивает страховочную сетку, которая гарантирует, что ваша модель знаний останется точной, актуальной и полностью соответствующей стратегическим целям.

Обработка недетерминированных выходных данных

LLM недетерминированы: они могут давать разные допустимые ответы на один и тот же запрос. Этот нюанс делает их более «человечными», но может создавать путаницу в корпоративных настройках. Чтобы справиться с этой непредсказуемостью:

• Тестовые наборы для ключевых вариантов использования: определение приемлемых ответов на конкретные вопросы или сценарии и измерение того, насколько близко результаты LLM соответствуют этим «золотым стандартам».
• Валидация LLM-on-LLM: в некоторых случаях второй LLM может оценивать ответы первой модели по архитектуре знаний, отфильтровывая неточности.
• Постоянные циклы обратной связи: поощряйте конечных пользователей предоставлять обратную связь по запутанным или неверным результатам. Эти данные уточняют модель и обновляют архитектуру знаний, обеспечивая постоянное совершенствование.

Автоматизированная инженерия знаний: следующий рубеж

Создание архитектуры знаний раньше означало бесчисленные часы ручного курирования — каталогизации терминов, определения взаимосвязей и структурирования контента в электронных таблицах. Сегодня LLM могут ускорить большую часть этой работы. Анализируя большие массивы организационных данных (руководства по продуктам, журналы службы поддержки, репозитории контента, внутренние вики), инструмент на основе ИИ может предлагать начальные таксономии и разрабатывать онтологии.

Внедрите онтологическую платформу, которая использует передовой ИИ для сокращения времени и усилий, необходимых для создания и поддержки архитектур знаний. Используя годы передового опыта в области инженерии знаний:

• Анализирует и извлекает: она поглощает документы для выявления потенциальных сущностей, таких как линейки продуктов, регионы или нормативные концепции, и определяет взаимосвязи, синонимы и соответствующие иерархии.
• Черновые модели контента: на основе эвристики онтологическая платформа генерирует предлагаемые структуры организации информации, позволяя экспертам-людям проверять или корректировать их.
• Соответствует графам знаний: после утверждения данных о сущности и взаимосвязи платформа может преобразовать эти идеи в граф знаний, обеспечивающий основу для опыта, основанного на LLM.
• Человеческий надзор по-прежнему важен: эксперты в предметной области рассматривают и уточняют то, что предлагает онтологическая модель. Но чистый эффект — более быстрая и масштабируемая инженерия знаний — без ущерба для ясности, которая нужна хорошо построенным моделям.

Выводы

Путь к устойчивому ИИ начинается с признания того, что LLM, несмотря на весь свой потенциал, не могут работать в вакууме. Им нужен структурированный контекст — определения, отношения, правила, аксиомы и ограничения, которые исходят из надежной архитектуры знаний.

• Начните с малого: определите эффективные варианты использования, чтобы доказать ценность специализированной модели предметной области.
• Управление для роста: включите уровень управления, который приведет вашу архитектуру в соответствие с официальными определениями бизнеса и развивающимися стратегиями.
• Борьба с недетерминизмом: разработка наборов тестов, критериев приемки и циклов обратной связи с пользователями для использования творческого потенциала LLM без ущерба для последовательности.
• Автоматизируйте там, где это возможно: такие инструменты, как онтологические платформы, могут облегчить ручную работу по проектированию и обновлению архитектуры знаний, позволяя командам сосредоточиться на принятии решений более высокого уровня и постоянном совершенствовании.

Приняв эти принципы, ваша организация сможет с ясностью и уверенностью вступить в новую эру генеративного ИИ, создавая реальную ценность, а не просто создавая шумиху.