Kas yra kontekstiniai grafikai ir kodėl jie svarbūs įmonės dirbtiniam intelektui?

Pagrindinis » Pitonas » Kas yra kontekstiniai grafikai ir kodėl jie svarbūs įmonės dirbtiniam intelektui?

Kontekstiniai grafikai sparčiai tampa viena labiausiai aptarinėjamų idėjų įmonių dirbtiniame intelekte., ir ne be reikalo: jie žada suteikti dirbtinio intelekto agentams trūkstamą ingredientą, kurio jiems reikia norint patikimai veikti realiose verslo darbo eigose – realų, užklausų pagrindu pagrįstą kontekstą apie tai, kaip sprendimai iš tikrųjų priimami laikui bėgant. Nors tradicinės įrašų sistemos nurodo, kas įvyko, konteksto grafikai siekia užfiksuoti išsamesnę istoriją apie tai, kaip ir kodėl tai įvyko, atsižvelgiant į žmones, įrankius ir politiką.

Tuo pačiu metu auga sveikas skepticizmas dėl ažiotažoKai kurie ekspertai teigia, kad konteksto grafikai painioja neapdorotus sprendimų pėdsakus su realiomis organizacinėmis žiniomis arba kad juos tiesiog per sunku sukurti, atsižvelgiant į tai, kokioje padėtyje dauguma įmonių yra šiandien. Suprasti šią priešpriešą – trilijono dolerių vertės pažadą ir netvarkingą realybę – yra būtina, jei norite išsiaiškinti, ar konteksto grafikai turėtų būti jūsų veiksmų plane dabar, vėliau, o gal niekada.

Kas yra konteksto grafikai (ir kas jie nėra)

Iš esmės konteksto grafikai yra sprendimų ir juos supančio konteksto grafiniai atvaizdavimai.Dauguma įmonių sistemų – CRM, ERP, HRIS, ITSM – tiksliai fiksuoja rezultatus: nuolaida patvirtinta, sąskaita apmokėta, pretenzija atmesta, kandidatas įdarbintas. Jos retai kada saugo loginių priežasčių grandinę, kuri lėmė šiuos rezultatus: kurios įvesties duomenys buvo patikrinti, kurios politikos buvo patikrintos, kokių išimčių buvo prašoma, kas pasirašė, kokia tvarka ir kokiu pagrindu.

„Foundation Capital“ konteksto grafą apibrėžia kaip „gyvą sprendimų pėdsakų įrašą, susiūtą tarp subjektų ir laiko, kad precedentas taptų ieškomas“.Sprendimų sekimas nėra tik žurnalo eilutė; tai struktūrizuotas įrašas, kaip situacijos kontekstas virto veiksmu. Konkrečiai, viename sekime gali būti faktai, surinkti iš skirtingų sistemų, tiksli taikoma politikos versija, bet kokia iškviesta išimtis, surinkti patvirtinimai su laiko žymomis ir kanalais, į įrašų sistemas įrašyti pakeitimai ir galutinis tolesnis rezultatas.

Dėl to konteksto grafikas iš esmės skiriasi nuo jūsų modelio asmeninės minčių grandinės.Minčių grandinė – tai vidinis, trumpalaikis LLM samprotavimas vienai užklausai; konteksto grafikas – tai išorinė, patvari, visos organizacijos atmintis apie tai, kaip sprendimai buvo iš tikrųjų įvykdyti realiame pasaulyje. Tai ne tik pokalbių istorija, kuri yra linijinė ir orientuota į vartotoją. Konteksto grafikai skirti daugelio ir daugelio santykiams tarp klientų, bilietų, politikų, žmonių tvirtintojų, laiko ir įrankių.

Svarbu tai, kad kontekstinis grafikas taip pat nėra „tik vektorinė duomenų bazė“ ir „tik žinių grafikas“.Vektoriai puikiai tinka neapibrėžtam semantiniam panašumui – „surask man tokias ištraukas“ – tačiau jie nėra natūraliai koduojami kilmės, laiko ar aiškių ryšių, tokių kaip „išimtis_paskirta“, „patvirtinta_ko“ arba „pakeičia“. Kita vertus, žinių grafikai paprastai sutelkiami į santykinai statiškus objektus ir ryšius (klientus, produktus, vietas, politiką). Dauguma žinių grafikų diegimo atvejų neapima viso darbo eigos vykdymo kelio ir sprendimų linijos, dėl kurios veiksmus galima audituoti ir peržiūrėti.

Teisingas mentalinis modelis teigia, kad konteksto grafikas yra grafo formos sprendimų ir konteksto atmintis.Sprendimų kilmę – kas, ką, kada, kodėl ir pagal kokį precedentą – jis traktuoja kaip aukščiausios klasės duomenis, o ne kaip papildomas mintis, palaidotas žurnaluose, „Slack“ gijose ar žmonių prisiminimuose.

Kontekstiniai grafikai kaip struktūrizuotos probleminės erdvės dirbtinio intelekto agentams

Kontekstiniai grafikai gali būti ne tik įmonės atmintis, bet ir sudėtingų probleminių erdvių žemėlapiai, kuriuose gali naršyti dirbtinio intelekto agentai.Kai kuriuose agentiniuose modeliuose kontekstiniai grafikai apibūdinami kaip vienas iš pagrindinių orkestravimo komponentų: jie koduoja problemos „formą“ – jos ribas, tipinius sprendimo kelius, svarbiausius sprendimų taškus, apmąstymų galimybes ir žinomas aklavietes. Vietoj griežtos srautų schemos gaunamas topologinis laukas, kuris sujungia struktūrą su lankstumu.

Šis topologinis požiūris yra svarbus, nes leidžia agentams atlikti kiekybinį samprotavimą su aiškiu pasitikėjimo įvertinimu.Užuot pateikęs vieną monolitinį atsakymą, agentas pereina per diskrečias samprotavimo būsenas arba „kvantus“, kiekviename žingsnyje įvertindamas, kiek jis yra užtikrintas, kurią šaką pasirinkti toliau ir ar dabartinė problema apskritai išsprendžiama turimame kontekste. Tai dažnai apibūdinama kaip entropiją suvokiantis samprotavimas: didelio tikrumo grafo regionuose agentas elgiasi deterministiškai; miglotesnėse srityse jis tyrinėja daugiau ir remiasi tapatybe, intuicija ar išoriniais įrankiais.

Žmonių ekspertai netiesiogiai visą laiką veikia tokioje struktūrizuotoje, tačiau lanksčioje erdvėje.Pavyzdžiui, vyresnysis klinikinis specialistas nesivadovauja vienu griežtu diagnostikos medžiu; jis atpažįsta modelius, žino, kur yra didelės rizikos sprendimų taškai, kada reikia stabtelėti ir apmąstyti, ir kada atvejis artėja prie teritorijos, kur baigiasi gairės ir prasideda vertinimas. Konteksto grafikai bando padaryti tą numanomą topologinę patirtį aiškią ir kompiuterio skaitomą, kad agentai galėtų ją protingai peržvelgti, o ne kaskart haliucinuoti procesą.

Praktiškai tai reiškia ne tik galimų žingsnių kodavimą, bet ir tipinių perėjimų, retų, bet leidžiamų, o draudžiamų – nustatymą.Laikui bėgant, kaupiantis sprendimų pėdsakams, konteksto grafą galima tikslinti: atsiranda naujų išimčių kelių, pašalinami neveikiantys modeliai ir skatinami geresni maršrutai. Tai paverčia grafą gyvu pasaulio modeliu, rodančiu, kaip organizacija iš tikrųjų sprendžia pasikartojančias problemas.

Nuo klinikinių protokolų ir standartinių operacijų procedūrų iki lengvai naviguojamų paslaugų

Vienas iš labiausiai apčiuopiamų kontekstinių grafų pritaikymų yra labai struktūrizuotose srityse, tokiose kaip sveikatos priežiūra ir kitos procesų reikalaujančios paslaugos.Pagalvokite apie klinikinius protokolus, triažo darbo eigas ar nuolatinės priežiūros valdymo programas: popieriuje tai yra ilgi, statiški dokumentai; praktiškai gydytojai juos nuolat pritaiko realiems pacientams, turintiems gretutinių ligų, trūkstamų duomenų ar netipiškų simptomų. Konteksto grafikai gali paversti šiuos protokolus naršomomis struktūromis, kuriose kiekvienas žingsnis, šaka ir išimtis yra aiškiai modeliuojami.

Vietoj PDF formato gairių, kurias žmonės turi mintyse interpretuoti, gaunate paslaugos planą, kurį agentas gali peržiūrėti.Grafike užkoduoti pagrindiniai paslaugų teikimo komponentai – priėmimas, triažas, diagnostika, gydymo parinkimas, stebėsena, eskalavimas, dokumentavimas, išrašymo planavimas, tolesni veiksmai ir kt. Kiekvienas mazgas gali reikšti veiksmo būseną (ką nors daryti), sprendimo būseną (pasirinkti kelią) arba apmąstymo būseną (įvertinti, ar vis dar esate saugioje trajektorijoje).

Tai leidžia dirbtinio intelekto agentams teikti labai nuoseklią priežiūrą, prisitaikant prie konkretaus paciento konteksto.Pavyzdžiui, didelės rizikos vaistų dozavimo atveju kontekstinis grafikas gali užtikrinti siaurą, mažos entropijos mikrokelią, paliekant labai mažai vietos improvizacijai. Priešingai, terapiniame pokalbyje ar koučinge tas pats grafikas gali atverti mažesnio tankio regionus, kuriuose agentas turi daugiau laisvės formuluodamas klausimus ar nagrinėdamas temas, jei tik jis laikosi apsauginių ribų.

Svarbiausia, kad konteksto grafikai užpildo atotrūkį tarp statinio protokolo ir dinaminės praktikos.Jie gali užfiksuoti, kaip gydytojai iš tikrųjų nukrypsta nuo „idealaus“ protokolo, kurios išimtys yra dažnos ir saugios, kurios sukelia problemų ateityje ir kaip šie nukrypimai koreliuoja su rezultatais. Laikui bėgant, sprendimai atseka paviršinius modelius, kurie turėtų tapti oficialia politika arba standartinėmis veiklos procedūromis (SOP), o ne palikti juos kaip ad hoc sprendimus.

Štai kur kai kurie kritikai nubrėžia svarbią ribą: vien tik neapdoroti sprendimų pėdsakai nėra geras atspirties taškas.Jei konteksto grafą generuosite tiesiog iš „Slack“ gijų arba EMR žurnalų, rizikuojate kodavimo nenuoseklumu. Dešimt gydytojų, priimančių dešimt skirtingų sprendimų panašiais atvejais, nesuteiks jums išminties; tai sukurs atkuriamą netvarką. Subrendusios, kuruojamos standartinės veiklos procedūros (SOP) išlieka tinkamu pagrindu, o konteksto grafikai, sudaryti iš kuruojamų pėdsakų, turėtų tas SOP patobulinti, o ne visiškai pakeisti.

Konteksto tankis ir entropijos valdymas

Galinga idėja, dažnai iškylanti diskusijose apie kontekstinius grafus, yra „konteksto tankis“ – iš esmės tai, kiek griežtai apribota grafo sritis.Didelio tankio zonos atitinka mažą entropiją: agentas turi labai mažai laisvės ir privalo atlikti tikslią veiksmų seką. Mažo tankio zonos yra didelės entropijos: priimtina daug variantų, leidžiama eksperimentuoti ir kūrybiškai veikti, gali atsiskleisti paties agento stilius.

Konteksto tankio valdymas iš esmės yra operacinės entropijos valdymas.Saugumo požiūriu kritinėse instrukcijose, pavyzdžiui, klinikinio dozavimo ar finansinės atitikties veiksmuose, reikalingas didelis tankumas: beveik nulinis dviprasmiškumas, aiškūs patvirtinimo etapai ir labai siaura išsišakojimo sistema. Koučingo ar tiriamosios strategijos sesijose reikalingas mažesnis tankumas: agentas gali klajoti, užduoti atvirus klausimus, lyginti alternatyvas ir tik retkarčiais grįžti prie struktūrizuoto kontrolinio taško.

Ši sąmoninga entropijos stratifikacija suteikia jums geriausią iš abiejų pasauliųGaunate labai struktūrizuotų procesų patikimumą, kai klaidos yra brangios, ir prisitaikantį, žmogišką lankstumą, kai niuansai ir kūrybiškumas išties svarbūs. Pats kontekstinis grafikas tampa mechanizmu, kuriuo galite reguliuoti apribojimus, regionas po regiono, užuot bandę globaliai „apsaugoti nuo įsilaužimo“ modelį.

Konkretūs pavyzdžiai leidžia tai lengviau įsivaizduotiDidelio tankio regionas gali atitikti „insulino skyrimą pagal protokolą“, kur kiekvienas mikrosprendimas yra fiksuotas. Vidutinio tankio regionas gali modeliuoti „karjeros koučingo sesiją“, kur yra rekomenduojamos pokalbio linijos, bet daug priimtinų kelių. Mažo tankio regionas galėtų apimti „būsimų tikslų tyrinėjimą“, kur grafikas apibrėžia tik kelis laisvus tarpinius taškus ir leidžia agentui improvizuoti.

Dizaino požiūriu, tankį galite laikyti biudžetuKuo daugiau rizikos esate pasirengę prisiimti, tuo daugiau laisvės laipsnių suteikiate agentui toje konteksto grafo dalyje. Kuo griežtesni jūsų atitikties ir saugos reikalavimai, tuo labiau suspaudžiate kelią į siaurą, visiškai instrumentuotą tunelį.

Kelių būsenų perėjimas ir agentų „paslėpta kelionė“

Vienas iš nepakankamai įvertintų kontekstinių grafų privalumų yra tas, kad jie leidžia atlikti išsamų vidinį naršymą tarp naudotojų ėjimų.Vartotojas mato paprastą abipusį pokalbį arba vieną jo vardu atliktą veiksmą; užkulisiuose agentas gali peržiūrėti dešimtis vidinių būsenų, peržiūrėti kelis prisiminimus ir patikslinti vidinį planą – visa tai grafe – prieš pateikdamas atsakymą.

Daugelyje sistemų taikoma „veiksmo būsenos garantija“: agentas visada pradeda ir baigia veiksmo būseną iš vartotojo perspektyvos.Viskas, kas vyksta tarp jų – samprotavimai, hipotezių generavimas, įrankių iškvietimai, politikos vertinimas, refleksija – sudaryta iš mažesnių apdorojimo kvantų, sujungtų kontekstiniu grafu. Tai užtikrina, kad kiekviena matoma sąveika atitiktų nuoseklią, atsekamą kelionę per pagrindinę struktūrą.

Įsivaizduokite vartotoją, kuris sako terapiniam agentui: „Jaučiuosi įstrigęs savo karjeroje“.Matomas atsakymas gali atrodyti kaip vienas empatiškas pranešimas, po kurio seka keli tiriamieji klausimai. Tačiau viduje agentas gali pereiti kelias būsenas: vertinti emocinį toną, tikrinti rizikos veiksnius, pasirinkti tinkamą terapinį pagrindą, ieškoti panašių ankstesnių pėdsakų, sudaryti kelių posūkių planą ir tik tada generuoti kitą pasisakymą. Vartotojas patiria natūralų, sklandų pokalbį; konteksto grafikas išsaugo nematomą, bet visiškai patikrinamą pokalbio eigą.

Dizaineriai paprastai įsivaizduoja šį perėjimą trimis skiriamosios gebos lygiaisPasauliniu lygmeniu agentas mato plačius grafiko regionus, pavyzdžiui, „vertinimą“, „planavimą“, „vykdymą“, „peržiūrą“. Vidutiniu lygmeniu jis mato išsamesnius poskyrius, atitinkančius konkrečius darbo eigą ar veiksmų planus. Vietiniu lygmeniu jis samprotauja apie mažus būsenų perėjimus vieno etapo metu. Ši daugialypė navigacija atspindi tai, kaip žmonės ekspertai priartina ir atitolina vaizdą tarp didelio paveikslo kadravimo ir nuoseklaus vykdymo.

Svarbiausia, kad visi šie vidiniai šuoliai gali būti registruojami kaip sprendimų sekimo dalis.Tai reiškia, kad rizikos, atitikties ir kokybės komandos vėliau gali atkurti ne tik tai, ką agentas išvedė vartotojui, bet ir kokį kontekstą jis atsižvelgė, kokias taisykles taikė ir kaip jo kelias palygintas su ankstesniais sėkmingais ar nesėkmingais pėdsakais.

Konteksto grafikai, atmintis, žinios ir samprotavimas

Kontekstiniai grafikai pasiekia visą savo potencialą tik tada, kai juos susiejate su funkcine atmintimi ir dinaminiu elgesiu.Atmintis, žinios ir samprotavimas (dažnai sutrumpinami M-K-R) sudaro ciklą: atmintis saugo praeities sąveikas ir pėdsakus, žinios koduoja stabilesnius faktus ir ontologijas apie pasaulį, o samprotavimas koordinuoja, kaip abu pritaikyti naujoje situacijoje. Konteksto grafikai yra sandūroje, kur susitinka šios trys srovės.

Gerai suprojektuotoje agento architektūroje kontekstinis grafikas pateikia kelius ir sprendimų priėmimo taškus, kuriuose įkeliama arba atnaujinama atmintis ir žinios.Kai agentas apdoroja naują bylą, jis gali gauti atitinkamus dokumentus iš turinio grafo, ištraukti objektų ryšius iš žinių grafo ir tada įrašyti savo veiksmus kaip naują sprendimo seką konteksto grafe. Kiekvienas sėkmingas arba nesėkmingas rezultatas pateikia grįžtamąjį ryšį, atnaujindamas tai, ką sistema laiko stipriu precedentu, o ne antimodeliu, kurio reikia vengti.

Laikui bėgant pereinama nuo statiško požiūrio „įkelkite kelis dokumentus ir tikėkitės, kad RAG veiks“ prie didelio pralaidumo grįžtamojo ryšio ciklo.Agentai ne tik naudoja kontekstą, bet ir generuoja struktūrizuotą kontekstą veikdami. Tas naujas kontekstas tada yra prieinamas būsimiems samprotavimo veiksmams, tiek tam pačiam agentui, tiek kitiems, veikiantiems gretimose darbo eigose. Atminties organizavimo, ontologijos kūrimo ar samprotavimo strategijų patobulinimai persiduoda konteksto grafui ir atvirkščiai.

Čia taip pat į pagalbą ateina automatinio optimizavimo įrankiaiTokios sistemos kaip „Agent Forge“ (ir panašūs kodavimo agentai) gali analizuoti realaus pasaulio našumo duomenis grafų lygmeniu: kurie perėjimo modeliai koreliuoja su sėkme, kur agentai užstringa, kur padidėja kognityvinė apkrova, kurie tankio kalibravimai yra per griežti ar per laisvi. Užuot rankiniu būdu derinę grafus, kodavimo agentai gali programiškai koreguoti būsenas, briaunas ir tankius, keisdami grafą pagal išmatuojamus rezultatus.

Ilgalaikė vizija – savaime tobulėjanti ekosistemaAgentai veikia kontekstiniame grafe, generuoja pėdsakus, optimizavimo agentai patikslina grafą pagal šiuos pėdsakus, o atnaujintas grafas leidžia priimti geresnius sprendimus ateityje. Iš esmės tai yra RL darbo eigose, kai grafas yra bendras substratas.

Konteksto grafikai, žinių grafikai ir trejetais pagrįstas pasaulis

Norint visiškai suprasti kontekstinius grafus, reikia juos vertinti platesniame grafų technologijų pasaulyje.Daug painiavos šioje srityje kyla dėl perkrautų terminų, tokių kaip „žinių grafikas“, „GraphRAG“ ir „ontologija“, kurių kiekvienas turi savo istoriją ir evangelistų rinkinį. Konteksto grafikai sugeria idėjas iš visų šių sričių, jų neapibrėždami jokiu vienu terminu.

Klasikinis žinių grafikas vaizduoja objektus ir jų ryšius kaip trejetus: subjektas → predikatas → objektas. Tai galėtų būti „Alisa → yraMotina → Bobas“ arba „Ticket123 → valdo_pagal → Policy_v4“. Po gaubtu šie tripletai paprastai saugomi RDF tripletų saugyklose arba savybių grafų duomenų bazėse. RDF siūlo platų standartų rinkinį – RDFS schemoms, OWL ontologijoms, – o savybių grafikai, tokie kaip „Neo4j“, pabrėžia mazgus, briaunas ir savybes, naudodami kūrėjams patogesnes užklausų kalbas, tokias kaip „Cypher“ arba, pastaruoju metu, GQL.

Diskusijos apie „teisingą būdą“ modeliuoti žinias tęsiasi jau dešimtmečius.RDF šalininkai pabrėžia jo išraiškos galią ir sąveikumą per URI; savybių grafų gerbėjai teikia pirmenybę mazgų ir briaunų modeliavimo bei briaunų savybių paprastumui. Tokios ontologijos kaip OWL, SKOS ar Schema.org prideda srities žodynus, apribojimus ir hierarchijas, todėl galima apibrėžti mašininio skaitymo reikšmes esybėms ir ryšiams.

Kontekstiniai grafikai paprastai yra ant šių struktūrų arba šalia jų, o ne jas pakeičia.Galite naudoti žinių grafą savo klientams, produktams, sutartims ir politikoms pavaizduoti, o turinio grafą – dokumentams, bilietams ir nuorašams tvarkyti. Konteksto grafas tada susieja šiuos subjektus ir dokumentus laike, saugodamas sprendimų pėdsakus: „ši išimtis_tai_politikai“, „šis_to_asmens_patvirtinimas“, „šis_tame_įvykyje_naudotas_procesas“ su laiko žymomis ir rezultatais.

Įdomus posūkis LLM eroje yra tai, kad modeliai dabar gali sklandžiai skaityti ir rašyti tiek žmonėms skaitomą, tiek mašininio skaitymo formatą.Eksperimentai rodo, kad pateikus kontekstą RDF arba Cypher formatu – net jei žetonuose jis yra išsamesnis – galima gauti geresnių rezultatų nei naudojant nestruktūrizuotą tekstą ar neapdorotus CSV failus. Pati struktūra perteikia, kas yra mazgas, kas yra briauna ir kas yra savybė, taip sumažinant modelio apkrovą, kad būtų galima momentiniu būdu nustatyti schemą.

Už RAG ribų: GraphRAG, ontologijos ir laiko kontekstas

Kelionė nuo naivios RAG iki kontekstinių grafų eina per kelis tarpinius etapusPirmiausia turėjome paprastus teisės magistrus (LLM), kurie atsakydavo iš savo mokymo duomenų. Tada atsirado RAG: suskaido kai kuriuos dokumentus į dalis, įterpia juos kaip vektorius ir įterpia panašiausius fragmentus į eilutę. „GraphRAG“ išplėtė šią funkciją naudodama grafų pagrindu sukurtas reprezentacijas – dažnai iš LLM gautus žinių grafikus – kad užfiksuotų ryšius tarp objektų ir galėtų juose naršyti paieškos tikslais.

Ontologija pagrįstas RAG žengia dar vieną žingsnį, pridėdamas aiškesnes schemas ir ryšius.Užuot leidę modeliui sugalvoti savavališkus predikatus, jūs apibrėžiate kontroliuojamą žodyną – ontologiją – savo sričiai, pvz., „klientas“, „sutartis“, „incidentas“, „politika“, „patvirtinimas“ ir konkrečius ryšių tipus. Tada paieška atsižvelgia į šią semantiką, pagerindama tiek tikslumą, tiek atkūrimą.

Konteksto grafikai remiasi visa tai, bet prideda du esminius elementus: laiką ir sprendimus.Jie atitinka įvykių paieškos idėjas, kai būsenos pokyčiai vaizduojami kaip įvykių seka, kurią galima atkurti. Skirtumas yra pabrėžimas: įvykių paieškos sistema orientuota į būsenos perėjimus (kas pasikeitė ir kada), o konteksto grafikai – į sprendimų perėjimus (kokie samprotavimai, išimtys, patvirtinimai ir politika pagrindė tuos pakeitimus).

Laikini santykiai yra ypač svarbūs pasitikėjimui ir valdymuiTokie klausimai kaip „Ar ši politika vis dar galioja?“ arba „Ar ši išimtis buvo suteikta prieš mums pakeitus rizikos apetitą, ar po to?“ priklauso nuo supratimo, kaip faktai, politika ir elgesys kinta laikui bėgant. Laikini RAG ir laikiniai žinių grafikai nagrinėja šią sritį, o kontekstiniai grafikai gali panaudoti šiuos metodus informacijos šviežumui, stabilumui ir patvirtinimui stebėti per ilgus laikotarpius.

LLM tobulėjant darbui su dinaminėmis ontologijomis, pagaliau galime išvysti, kaip išsipildo kai kurie senieji semantinio žiniatinklio pažadai.Užuot bandę sustabdyti tobulą ontologiją prieš rašydami paieškos algoritmus, galime leisti ontologijoms vystytis, agentams susiduriant su naujais sprendimų sekų modeliais, ir naudoti pačius modelius, kad interpretuotų ir prisitaikytų prie besikeičiančių schemų.

Veiklos ir sprendimų kontekstas: kodėl vien tik RAG stringa

Vadovų požiūriu, konteksto grafikai paaiškina, kodėl „prijungėme RAG prie savo dokumentų“ taip dažnai nuvilia.Daugumoje įmonių trūksta dviejų konteksto sluoksnių: veiklos konteksto ir sprendimų konteksto. Veiklos kontekstas apima tai, kas ką valdo, kaip subjektai yra susiję, kurios įrašų sistemos yra svarbios ir kokia yra dabartinė padėtis. Sprendimų kontekstas apima tai, kaip sprendimai buvo priimami laikui bėgant, įskaitant precedentus ir audituojamumą.

Paprasti RAG viršvektoriai pateikia tik turinio fragmentus, o ne operacinę struktūrą ar sprendimų eilę.Galite gauti politikos dokumentą, kuriame teigiama, kad nuolaidos, viršijančios 10 %, turi būti patvirtintos, tačiau nematote, kad praktikoje finansų skyrius įprastai patvirtintų 15 % nuolaidas tam tikriems segmentams, kai yra atviras eskalavimas ir ankstesnis tiekimo sutrikimas. Galite gauti įtraukimo kontrolinio sąrašo dokumentą, bet nematote, kad geriausiai dirbantys darbuotojai praleidžia 4, 7 ir 9 veiksmus, nes jie nesukuria jokios pridėtinės vertės.

Konteksto grafikai šią problemą sprendžia, leisdami ieškoti precedentųGalite paklausti „Kada anksčiau matėme tokią situaciją?“ arba „Kas nutiko pastaruosius dešimt kartų, kai patvirtinome tokio tipo išimtį?“ ir gauti struktūrizuotus pėdsakus, o ne tik dokumentus. Tai leidžia agentams veikti laikantis politikos ir praktikos, arba pažymėti, kur šios dvi sritys skiriasi ir reikalingas žmogaus dėmesys.

Svarbu tai, kad tai valdymą pakeičia iš gryno vartų saugotojo į besimokančią sistemą.Užuot bandę iš anksto numatyti ir blokuoti kiekvieną kraštutinį atvejį, leidžiate kraštutiniams atvejams įvykti kontroliuojamomis sąlygomis, instrumentuojate juos kaip pėdsakus ir tada, remdamiesi tuo, ką stebite, patikslinate savo politiką ir grafikų struktūrą. Laikui bėgant, jūsų kontekstinis grafikas tampa kompaktišku jūsų organizacijos rizikos apetito ir veiklos išminties atvaizdavimu.

Čia taip pat esminiai yra skeptiški balsaiJei naiviai tai, kas įvyko praeityje, traktuojate kaip politiką, tiesiog įtvirtinate nenuoseklumą ir šališkumą. Sprendimų pėdsakus reikia kuruoti; jie yra žaliava, o ne galutinė tiesa. Kuruoti standartinės operacijų procedūros (SOP) ir patvirtinti veiksmų planai išlieka pagrindu. Gerai parengti konteksto grafikai padeda nustatyti išimtis, kurias verta paversti nauja politika, ir atskleidžia vietas, kur organizacija ignoruoja savo pačios taisykles.

Kodėl kontekstinius grafikus sunku sukurti realiame pasaulyje

Visa tai skamba elegantiškai popieriuje, tačiau įgyvendinimo spraga yra didžiulėDauguma organizacijų vis dar sunkiai suderina pagrindinį duomenų suvienodinimą – CRM, palaikymo, analizės ir produktų duomenų suderinimą. Daugelis jų tik pradeda eksperimentuoti su pusiau autonominiais agentais siaurose srityse, tokiose kaip 1 lygio palaikymas ar vidinė žinių paieška.

Viena gili, praktinė problema yra ta, kad daugumoje darbų nėra aiškių „sprendimo momentų“, kuriuos būtų galima lengvai užregistruotiNuolaidos patvirtinimas yra aiškus įvykis; jį galima užfiksuoti. Tačiau 6 kartus didesnis dviejų tvarkytojų pretenzijų apdorojimo laiko skirtumas dažnai kyla dėl subtilių darbo eigos pasirinkimų: kas ką patvirtina, kokia tvarka, kokius įrankius naudoja, kokiais kanalais. Šie mikrosprendimai retai kada pasireiškia kaip atskiri įvykiai. Jie yra vykdymo kelyje – el. laiškų susirašinėjimuose, „Slack“ gijose, skaičiuoklių patikrinimuose ir ad hoc skambučiuose.

Tradiciniai analizės ir procesų analizės įrankiai mato tik tai, kas užregistruota sistemoseJie gali jums pasakyti, kad sąskaita faktūra 10 dienų buvo „laukiama patvirtinimo“, bet nemato, kad septynios iš šių dienų buvo praleistos ieškant trūkstamo PDF failo, tikrinant tiekėjo duomenis programoje „Excel“ ir koordinuojant išimtį per „Slack“. Tikrasis kontekstas – „kodėl tai užtruko 28 dienas, o ne 8“ – priklauso nuo skirtingų sistemų.

Štai kodėl kai kurie kūrėjai teigia, kad kontekstiniai grafikai turi būti sudaryti nuo vykdymo pradžios, o ne nuo dokumentų pradžios.Jums reikia infrastruktūros, kuri būtų vykdymo kelyje, identifikuotų tapatybes skirtinguose įrankiuose (john.smith@company.com = @jsmith = Employee 12345) ir realiuoju laiku fiksuotų, kaip darbas iš tikrųjų vyksta skirtinguose kanaluose. Tik tada galite pradėti daryti išvadas apie sprendimus remiantis stebimu elgesiu ir paversti tai patikimais sprendimų pėdsakais.

Ant viso to dar yra agentų adaptacijos problemaDaugelyje ambicingesnių kontekstinių grafų vizijų daroma prielaida, kad agentai jau vykdo didelę darbo eigų dalį ir tokiu būdu sukuria išsamius, struktūrizuotus pėdsakus. Iš tikrųjų daugumoje įmonių agentai vis dar yra ankstyvos stadijos, siauri ir griežtai prižiūrimi. Prašyti įmonių sukurti visavertę sprendimų sekimo infrastruktūrą dar prieš patikint agentams pagrindines darbo eigas yra tas pats, kas prašyti jų pastatyti trijų automobilių garažą dar prieš tai, kai jie turi nuosavą transporto priemonę.

Architektūros modeliai ir pragmatiškas pritaikymas

Nepaisant kliūčių, organizacijos, norinčios judėti šia kryptimi neužvirindamos vandenyno, pradeda taikyti keletą architektūrinių modelių.Pirmasis – nustoti galvoti apie kontekstinius grafus kaip apie akademinį duomenų modeliavimo projektą ir pradėti nuo vieno didelės vertės darbo eigos, kurioje agento patikimumas ir audituojamumas yra nekeičiami.

Geri kandidatai paprastai turi tris bendrus bruožus: jos turi daug išimčių, apima kelias sistemas, o neteisingas sprendimas kelia realią riziką. Pavyzdžiai: nuolaidos ir patvirtinimai sandorių biuruose, palaikymo eskalavimas ir pagrindinių priežasčių analizė, tiekėjų įtraukimas į darbą ir saugumo išimtys arba politikos pagrįsti HR atvejai, pavyzdžiui, atostogos ir lengvatos. Kiekvienu iš šių atvejų agentams reikia ir operacinio konteksto (kam priklauso kas, kas kada pasikeitė), ir sprendimo konteksto (kaip panašūs atvejai buvo tvarkomi anksčiau, kas patvirtino nukrypimus, kas pasiteisino).

Praktinis atspirties taškas yra sąmoningai maža schemaGalite apibrėžti 8–15 pagrindinių objektų tipų (klientas, produktas, sutartis, politika, bilietas, incidentas, patvirtinimas, išimtis, savininkas) ir 15–25 ryšių tipus (valdo_kas, išimtis_tai, patvirtintas_kas, nuorodos, poveikis, panašus_į, pakeičia). Naudokite verslo kalbą, o ne akademinį žargoną. Tikslas – bendras aiškumas, o ne ontologinis grynumas.

Techniškai jūs prijungiate kelias didelės vertės saugyklas — bilietų sistemos, CRM užrašai, politikos dokumentai, vykdymo knygos — išskiria objektus ir metaduomenis bei saugo ryšius pasirinktoje grafų saugykloje, išlaikant originalius dokumentus prieinamus citavimui. Be to, jūs apdorojate savo agentą arba darbo eigos variklį taip, kad kiekvienas reikšmingas veiksmas generuotų struktūrizuotą pėdsaką: įvesties duomenys, konsultuojami su laiko žymomis ir leidimais, taisyklės, įvertintos su versijomis, išimtys, iškviestos su pagrindu, prašomi ir suteikti patvirtinimai bei veiksmai, nurašyti atgal į įrašų sistemas.

Nuo tada verslo rezultatus naudojate kaip savo pagrindinės žvaigždės metrikąUžuot giręsi „išsaugotais žetonais“, stebite nukreipimo ir sprendimo kokybę palaikymo srityje, ciklo trukmę ir išimčių skaičių sandorių sudarymo ir pirkimų srityse, politikos laikymąsi ir audito išvadas teisinėje ir saugumo srityje arba pakartotinio darbo ir eskalavimo rodiklius operacijose. Gerėjant grafikų aprėpčiai ir sekimo kokybei, turėtumėte matyti geresnį išimčių tvarkymą, mažiau nereikalingų žmogiškųjų eskalavimų ir nuoseklesnius rezultatus.

Laikui bėgant, gali atsirasti papildomų sluoksnių, tokių kaip kryžminė grafinė navigacija.Galite atskirti grafus pagal sritis – vieną operaciniam kontekstui, vieną turiniui, vieną sprendimams – ir leisti agentams peršokti tarp jų nesukuriant vieno monstriško, nevaldomo grafo. Šis „grafų grafų“ metodas leidžia modeliuoti įterptąsias problemines erdves (Inception „sapnas sapne“ metafora) neprarandant moduliškumo.

Visa tai veikia tik tuo atveju, jei sprendimų priėmimo kilmę ir giminystę traktuojate kaip pirmos klasės piliečiusKiekvienas agento veiksmas turėtų turėti „parodykite savo darbą“ seką, kurią priimtų rizikos komanda, o kiekvienas gautas faktas turėtų būti priskirtas konkrečiam šaltiniui: dokumentui, sistemos įrašui arba konkrečiam sekimo įvykiui. Taip dirbtinio intelekto valdymas paverčiamas iš nepatogių peržiūros susitikimų rinkinio struktūrine galimybe, integruota į pačią architektūrą.

Apibendrinus, kontekstiniai grafikai atspindi dešimtmečių grafų tyrimų, semantinio žiniatinklio svajonių, įvykių paieškos ir šiuolaikinių teisės magistro (LLM) galimybių susiliejimą.Jie nėra stebuklinga lazdelė, o ažiotažas dažnai užgožia labai realius duomenų kokybės, vykdymo matomumo ir agentų diegimo trūkumus. Tačiau įmonėms nukrypstant nuo RAG demonstracinių versijų ir reikalaujant atskaitingų, kartojamų dirbtinio intelekto valdomų operacijų, grafo formos, laikinio, į sprendimus orientuoto atminties sluoksnio idėja pradeda atrodyti ne kaip madingas žodis, o labiau kaip neišvengiama sistemos dalis – su sąlyga, kad jį kursime remdamiesi kruopščiai atrinktomis politikomis, tikrais vykdymo duomenimis ir blaiviais lūkesčiais, o ne neapdorotais pėdsakais ir šūkiais apie trilijono dolerių vertės galimybes.