ממידע ארגוני להבנה עסקית

המאמר הנוכחי הוא החלק השלישי בסדרת המאמרים אודות ניהול ידע גרפי (Knowledge Graph) לסוכני בבינה מלאכותית. בשני הפרקים הקודמים עסקנו בשני היסודות עליהם נשען עולם הידע הגרפי. במאמר הראשון הצגתי את תורת הגרפים כדרך לחשוב על ההקשר של המידע באמצעות יישויות והקשרים ביניהם. במאמר השני העמקתי את ההיכרות עם מסדי נתונים גרפיים המאפשרים לשמור, לנהל ולתשאל את הקשרים האלה בצורה שתאפשר לנו להבין לא רק את המידע אלא גם את המשמעות שלו.

המאמר הנוכחי משלב את תורת הגפים עם מסדי נתונים גרפיים כבסיס ליצירה של מודלי ידע גרפיים (Knowledge Graph) אשר נועדו לייצג את העולם העסקי ארגוני כבסיס אותו סוכני בינה מלאכותית יכולים להבין לתשאל ולהסביר בהמשך לבקשה או משימה שהם צריכים לבצע.

התפתחות מתורת של קשרים לגרף ידע

אם תורת הגפים מתארת את הדרכים (מתודולוגיות) השונות לתאר את הקשרים בין פרטי המידע השונים בארגון שלנו, גרף הידע מרחיב את המודל עם עקרונות שמגדירים כיצד הידע בנוי. כלומר מה סוג הקשר, מה ההקשר הרחב שלו, מה מקור המידע, עד כמה הוא עדכני, למי מותר לראות אותו, ואיך הוא משתלב בתוך הידע הרחב יותר.

ההבדל המהותי הוא שבתורת הגרפים אנחנו מייצגים את החיבורים ובגרף הידע אנו מעניקים לחיבורים האלה משמעות שמאפשרים ל-AI לא רק למצוא מידע, אלא למקם אותו בתוך תמונה עסקית רחבה יותר.

במאגר מסמכים רגיל, המילה "Apple" יכולה להופיע במאות מקומות. בלי הקשר נוסף, המערכת צריכה לנחש האם מדובר בחברה, במוצר, בפרי או בשם של פרויקט פנימי.

בגרף ידע, המערכת לא מסתפקת במילה. היא מנסה לזהות את הישות שמאחוריה. אם מדובר בחברת Apple, היא מחברת את ההופעה במסמך לישות עסקית מוגדרת. אם מדובר במוצר Apple היא מחברת אותו לקטלוג המוצרים, ואם מדובר בלקוח בשם דומה, היא מחברת אותו לחשבון הנכון במערכת ה-CRM.

התהליך הזה נקרא לעיתים Entity Resolution או Entity Linking. כלומר, זיהוי ישויות וחיבור שלהן לזהות הנכונה בתוך שכבת הידע של הארגון.

זהו מרכיב קריטי עבור סוכני ה AI שעוברים מזיהוי מילים להבנה של העולם העסקי וההקשר של הבקשה או המשימה שהם התבקשו לענות עליה.

המרכיבים המרכזיים של גרף הידע

כפי שכבר סקרנו שלושת הרכיבים המרכזיים של תורת הגרפים הם:

• 1 צמתים/ישויות מרכזיות (לקוחות, מוצרים, קטגוריות, הזמנות וכו')
• 2 קשרים בין הישויות (המוצר שהלקוח רכש, סטאטוס ההזמנה של המוצר וכו')
• 3 המאפיינים של הקשר (תאריך רכישה, עוצמת הקשר של הלקוח למוצר וכו' )

אך מה שהופך את תורת הגרפים לגרף ידע הם עקרונות הארגון של המידע. כאן נכנסים לתמונה עקרונות הטקסונומיה, סכמות הארגון של המידע, קטגוריות ולעיתים גם אונטולוגיות. אלו הכללים שמגדירים את מבנה הידע. למשל, אילו סוגי מוצרים קיימים, אילו סוגי לקוחות קיימים, מה נחשב תהליך, מה נחשב מסמך, ואילו קשרים מותר או הגיוני ליצור בין ישויות שונות. בלי עקרונות הארגון, הגרף יכול להפוך לרשת מבולגנת שקשה להבין בה את המשמעות. העקרונות לניהול הידע הופכים את הגרף לשכבת ידע שאפשר לסמוך עליה.

טקסונומיה
טקסונומיה היא שיטת סיווג שמסדרת את הידע לפי היררכיה ברורה של נושאים, סוגים ותתי סוגים. בגרף ידע היא עוזרת להבין לאיזו משפחה או תחום שייכת כל ישות, למשל מוצר, לקוח, מסמך או תהליך. כך ה-AI לא רואה רק פריט בודד, אלא מבין איפה הוא ממוקם בתוך מבנה הידע הרחב של הארגון.

סכמות המידע
סכמה היא מבנה שמגדיר אילו סוגי ישויות קיימים בגרף, אילו מאפיינים יש לכל ישות ואילו קשרים יכולים להתקיים ביניהן.
לדוגמה, הסכמה יכולה להגדיר שלקוח יכול להיות קשור להזמנה, שמוצר יכול להיות קשור לקטגוריה, ושמסמך יכול להיות קשור לתהליך. הסכמה נותנת לגרף חוקיות פנימית, כדי שהמידע לא ייווצר בצורה מקרית או לא עקבית.

קטגוריות
קטגוריות הן קבוצות תוכן או מידע שמאפשרות לארגן ישויות לפי תחומים מוכרים ופשוטים להבנה.
למשל, מוצרים יכולים להיות מסווגים לפי קטגוריות כמו נעליים, אלקטרוניקה או מוצרי בית, ומסמכים יכולים להיות מסווגים לפי נהלים, מדריכים או מסמכי מדיניות. בגרף ידע, קטגוריות עוזרות גם למשתמשים וגם ל-AI להבין במה עוסק כל פריט ולאיזה הקשר הוא שייך.

אונטולוגיות
אונטולוגיה היא שכבת הגדרה פורמלית ומדויקת יותר של המושגים, הישויות והקשרים בתחום ידע מסוים.
היא לא רק מסווגת מידע, אלא גם מגדירה את המשמעות של כל מושג ואת סוגי היחסים האפשריים בין מושגים שונים.
בגרף ידע, אונטולוגיה מסייעת ליצור הבנה עקבית ואמינה יותר, במיוחד כאשר מדובר בתחומים מורכבים, מקצועיים או רגולטוריים.

אמון, מקור ועדכניות - הידע שמאחורי התשובה

אחד המרכיבים החשובים ביותר של גרף ידע היא היכולת לנהל ולהגביר את אמינות המענה של סוכני ה AI. זה היתרון המשמעותי ביותר של ניהול הידע בתצורה זו. כאשר סוכן AI עונה על שאלה עסקית, חלק חשוב מהתשובה של הוא על מה התשובה מבוססת? מאיזה מקור הגיע המידע? מתי הוא עודכן? עיף התקבלה ההחלטה לבצע פעולה מסוימת? האם קיימת סתירה בין מקורות שונים? האם המידע רלוונטי למשתמש הספציפי ששאל?

המבנה הייחודי של גרף הידע וצורת המענה באמצעות בסיסי נתונים גרפיים מאפשרים להציג את מקורות המידע, הגרסאות, התאריכים, הבעלות, רמת אמינות וקשרים. כך ניתן לבנות תשובות מבוססות יותר, אך בעיקר שקופות יותר וקלות יותר לבדיקה.

לדוגמה, אם קיימים שלושה מסמכים שונים שמתארים את מדיניות ההחזרות של החברה, סוכן AI צריך לדעת איזה מהם הוא המסמך הרשמי, איזה מהם טיוטה ישנה, ואיזה מהם נכתב עבור צוות פנימי בלבד. בלי שכבת ידע, המודל עלול להשתמש במסמך הלא נכון.

ככל שאנו מפעילים סוכנים אוטונומיים יותר כך היכולת של גרף הידע לתרום להבנת ההקשר של המידע, והבקרה והתחקור לאחור של החלטת הסוכן חשובה יותר.

הרשאות וממשל נתונים כחלק מההקשר

מרכיב חשוב נוסף בניהול גרף הידע היא הרשאת הגישה למידע. מערכת AI שפועלת בסביבה הארגונית חייבות לדעת לא רק איזה רלוונטי לשאלה או למשימה, אלא גם למי מותר לראות ולפעול על בסיס אותו ידע. זה נכון במיוחד כאשר מדובר במידע על לקוחות, עובדים, עסקאות, מסמכים משפטיים, נתונים פיננסיים וכו'.

במודל גרף הידע אפשר (ונדרש) לייצג גם קשרי בעלות, אחריות והרשאה. כלומר מי הבעלים של הצומת/יישות? לאיזו מחלקה הוא שייך? איזה צוות רשאי לגשת? מה רמת הרגישות של היישות?

במקום להסתמך רק על חיפוש טקסטואלי או על התאמה סמנטית, ה-AI יכול לפעול בתוך גבולות ברורים שמאפשרים לדעת שהמידע אולי רלוונטי, אבל לא מורשה. זהו הבדל מהותי בין ייצוג של קשרים בגרף לבין ניהול מודל גרף הידע.

זו שכבה נוספת שמאפשרת מעבר להגברת איכות המענה ויכולת התחקור לאחור של אופן קבלת המענה, לפעול בסביבה בטוחה עסקית על בסיס הרשאות גישה למידע.

כיצד נכון להתחיל בתכנון של גרף ידע

ברוב הארגונים, ולמען האמת גם בחיינות הפרטיים על המחשב האישי שלנו, מיפוי כל המידע בבת אחת היא משימה גדולה ומורכבת (בהמשך נדון על אפשרות מיפוי גרף הידע עם AI). לכן ברוב המקרים הדרך הנכונה היא לבחור תרחיש שימוש שבו הקשרים חשובים יותר מהנתונים הבודדים.

לדוגמא: סוכן שירות שמחבר בין לקוח, מוצר, גרסה, תקלה ומסמך פתרון. מערכת המלצות שמבינה את הקשר בין תוכן, מוצר, קהל יעד ושלב במסע לקוח. סוכן מכירות שמחבר בין חשבון לקוח, הזדמנויות, אנשי קשר, מסמכים, פגישות וסיכונים.

לאחר שבוחרים תרחיש, מגדירים את השאלות שהמערכת צריכה לענות עליהן. אחר כך מזהים את הישויות הקריטיות, את הקשרים החשובים, את מקורות המידע ואת כללי ההרשאה. רק אז מתחילים לבנות את שכבת הידע. כך גרף הידע נבנה סביב ערך עסקי.

בעידן ה AI, המניע המרכזי ליצירת גרף ידע יהיה הצורך לספק הקשר (ידע) לסוכן בינה מלאכותית שאנו רוצים לפתח.

גרף ידע שנבנה בצורה נכונה הוא הרבה יותר מ"עוד בסיס נתונים", החשיבות שלו נובעת מכך שהוא מייצר לארגון שכבת הבנה משותפת. הוא מחבר בין מידע מובנה ולא מובנה. בין מסמכים למערכות. בין אנשים לתהליכים. בין לקוחות למוצרים. בין שאלות לתשובות. בין תוכן להרשאות. בין ידע לפעולות.

חשוב להבין שגרף ידע הוא מערכת מתפתחת. הוא לא חייב להיות מושלם ביום הראשון. אפשר להתחיל מגרף שימושי שמכסה תחום אחד, למשל מוצרים ותוכן, לקוחות ופניות שירות, או עובדים ומסמכים פנימיים. עם הזמן נוסיף עוד ישויות, עוד קשרים, עוד מקורות מידע ועוד כללים.

ככל שהגרף גדל, הוא יהפוך לשכבת ידע משותפת שמשרתת כמה מערכות וסוכני AI שונים כגון חיפוש ארגוני, סוכן שירות, סוכן מכירות, מערכת המלצות, כלי BI חכמים ועוד.

היתרון בגישה זו היא שנוצר ערך מהר. במקום לחכות לפרויקט דאטה רחב, אפשר להתחיל מבעיה עסקית אחת, להוכיח ערך מהיר, ואז להרחיב את המודל.

לסיכום

גרף הידע לא מחליף את המסמכים, בסיסי הנתונים אן מערכות החיפוש הסמנטי. הוא מחבר ביניהם לשכבת משמעות אחת, שממנה סוכני הבינה המלאכותית יכולים לפעול בצורה חכמה, אמינה ורלוונטית יותר. זו שכבת הקשר שמחברת תהליכים, מערכות ומושגים עסקיים, כך שסוכני ה AI יוכלו להבין לא רק מה כתוב, אלא גם למה זה קשור, מי אחראי, מה המשמעות ואיך הוא משתלב בתמונה הרחבה. זה שינוי תפיסתי חשוב. במקום לחשוב על מידע כאוסף מסמכים, טבלאות או תשובות, מתחילים לחשוב עליו כרשת חיה של ידע עסקי. יחד עם נתונים וקטוריים, וחיפוש סמנטי, סוכני ה AI יהפכו לאחת התשתיות החשובות ביותר בארגון שרוצה לבנות AI אמין, מוסבר ורלוונטי למציאות העסקית של היום.