تستثمر الشركات مليارات الدولارات في وكلاء الذكاء الاصطناعي، ولكن سوء فهم البيانات يعد تحديًا كبيرًا. في هذا المقال، نستعرض كيف يمكن أن تكون الأنتولوجيا الحل.
الأنتولوجيا كحماية حقيقية: كيف نمنع وكلاء الذكاء الاصطناعي من سوء فهم أعمالك
تستثمر الشركات مليارات الدولارات في وكلاء الذكاء الاصطناعي والبنية التحتية لتحويل عمليات الأعمال. ومع ذلك، نشهد نجاحًا محدودًا في التطبيقات الواقعية، وغالبًا ما يكون ذلك بسبب عدم قدرة الوكلاء على فهم بيانات الأعمال والسياسات والعمليات بشكل حقيقي.
بينما ندير التكاملات بشكل جيد مع تقنيات مثل إدارة واجهة برمجة التطبيقات (API) وبروتوكول سياق النموذج (MCP) وغيرها، فإن قدرة الوكلاء على فهم “معنى” البيانات في سياق عمل معين هي قصة مختلفة. يتم حجز بيانات المؤسسات في الغالب في أنظمة متباينة بأشكال منظمة وغير منظمة وتحتاج إلى تحليلها من خلال عدسة أعمال محددة.
على سبيل المثال، قد تشير كلمة “عميل” إلى مجموعة مختلفة من الأشخاص في نظام إدارة علاقات العملاء (CRM) للمبيعات، مقارنةً بنظام المالية الذي قد يستخدم هذا المصطلح للعملاء الذين يدفعون. قد تعرف إدارة واحدة “المنتج” كرمز SKU؛ بينما قد تمثل إدارة أخرى “المنتج” كعائلة منتجات؛ وقد تمثل إدارة ثالثة كحزمة تسويقية.
لذا، فإن بيانات “مبيعات المنتجات” تختلف في المعنى دون وجود علاقات وتعريفات متفق عليها. لكي يتمكن الوكلاء من دمج البيانات من أنظمة متعددة، يجب عليهم فهم تمثيلات مختلفة. يحتاج الوكلاء إلى معرفة ما تعنيه البيانات في السياق وكيفية العثور على البيانات الصحيحة للعملية الصحيحة. علاوة على ذلك، يمكن أن تؤدي تغييرات المخطط في الأنظمة ومشكلات جودة البيانات أثناء الجمع إلى مزيد من الغموض وعدم قدرة الوكلاء على معرفة كيفية التصرف عند مواجهة مثل هذه الحالات.
علاوة على ذلك، يجب اتباع تصنيف البيانات إلى فئات مثل المعلومات الشخصية القابلة للتحديد (PII) بدقة للحفاظ على الامتثال للمعايير مثل GDPR وCCPA. يتطلب ذلك تصنيف البيانات بشكل صحيح وأن يكون الوكلاء قادرين على فهم واحترام هذا التصنيف. ومن هنا نرى أن بناء عرض توضيحي رائع باستخدام الوكلاء أمر ممكن جدًا – ولكن وضعه في الإنتاج للعمل على بيانات الأعمال الحقيقية هو قصة مختلفة تمامًا.
مصدر الحقيقة القائم على الأنتولوجيا
يتطلب بناء حلول فعالة قائمة على الوكلاء وجود مصدر واحد للحقيقة قائم على الأنتولوجيا. الأنتولوجيا هي تعريف تجاري للمفاهيم، وتسلسلها الهرمي، وعلاقاتها. تحدد المصطلحات بالنسبة لمجالات الأعمال، ويمكن أن تساعد في إنشاء مصدر واحد للحقيقة للبيانات والتقاط أسماء الحقول الموحدة وتطبيق التصنيفات على الحقول.
يمكن أن تكون الأنتولوجيا محددة بمجال معين (مثل الرعاية الصحية أو المالية)، أو محددة بالمنظمة بناءً على الهياكل الداخلية. يعد تعريف الأنتولوجيا مسبقًا عملية تستغرق وقتًا، لكنها يمكن أن تساعد في توحيد عمليات الأعمال ووضع أساس قوي للذكاء الاصطناعي القائم على الوكلاء.
يمكن تحقيق الأنتولوجيا باستخدام تنسيقات قابلة للاستعلام الشائعة مثل triplestore. يمكن أن تستخدم القواعد التجارية الأكثر تعقيدًا ذات العلاقات متعددة القفزات رسومًا بيانية ذات خصائص محددة مثل Neo4j. يمكن أن تساعد هذه الرسوم البيانية أيضًا المؤسسات في اكتشاف علاقات جديدة والإجابة على أسئلة معقدة. تتوفر الأنتولوجيات مثل FIBO (أنتولوجيا الأعمال في صناعة المالية) وUMLS (نظام اللغة الطبية الموحد) في المجال العام ويمكن أن تكون نقطة انطلاق جيدة جدًا. ومع ذلك، تحتاج هذه عادةً إلى تخصيص لالتقاط تفاصيل محددة لمؤسسة معينة.
كيفية البدء مع الأنتولوجيا
بمجرد تنفيذها، يمكن أن تكون الأنتولوجيا القوة الدافعة لوكلاء المؤسسات. يمكننا الآن توجيه الذكاء الاصطناعي ليتبع الأنتولوجيا ويستخدمها لاكتشاف البيانات والعلاقات. إذا لزم الأمر، يمكن أن يكون لدينا طبقة وكيلة تخدم التفاصيل الرئيسية للأنتولوجيا نفسها وتكتشف البيانات. يمكن تنفيذ القواعد والسياسات التجارية في هذه الأنتولوجيا ليلتزم بها الوكلاء. هذه طريقة ممتازة لتوجيه وكلائك وتأسيس حواجز بناءً على سياق الأعمال الحقيقي.
يمكن أن تصمم الوكلاء بهذه الطريقة وتضبطها لتتبع الأنتولوجيا، مما يمكنها من الالتزام بالحواجز وتجنب الهلوسة التي يمكن أن تسببها النماذج اللغوية الكبيرة (LLM) التي تدعمها. على سبيل المثال، قد تحدد سياسة تجارية أنه ما لم تكن جميع الوثائق المرتبطة بقرض ما تحتوي على علامات موثوقة تم تعيينها على “صحيح”، يجب أن تبقى حالة القرض في حالة “معلقة”. يمكن أن تعمل الوكلاء حول هذه السياسة وتحديد الوثائق المطلوبة واستعلام قاعدة المعرفة.
إليك مثال على التنفيذ:
(الشكل الأصلي من المؤلف)كما هو موضح، لدينا بيانات منظمة وغير منظمة تتم معالجتها بواسطة وكيل ذكاء المستندات (DocIntel) الذي يملأ قاعدة بيانات Neo4j بناءً على الأنتولوجيا لمجال الأعمال. يجد وكيل اكتشاف البيانات في Neo4j ويستعلم عن البيانات الصحيحة وينقلها إلى وكلاء آخرين يتعاملون مع تنفيذ عمليات الأعمال. تحدث الاتصالات بين الوكلاء باستخدام بروتوكول شائع مثل A2A (من وكيل إلى وكيل). يمكن أن يساعد بروتوكول جديد يسمى AG-UI (تفاعل وكيل المستخدم) في بناء شاشات واجهة مستخدم أكثر عمومية لالتقاط الأعمال والاستجابات من هؤلاء الوكلاء.
بهذه الطريقة، يمكننا تجنب الهلوسة من خلال فرض الوكلاء على اتباع مسارات قائمة على الأنتولوجيا والحفاظ على تصنيفات البيانات وعلاقاتها. علاوة على ذلك، يمكننا التوسع بسهولة عن طريق إضافة أصول جديدة، وعلاقات، وسياسات يمكن أن تمتثل لها الوكلاء تلقائيًا، والتحكم في الهلوسات من خلال تحديد قواعد للنظام بأكمله بدلاً من الكيانات الفردية. على سبيل المثال، إذا هَلَسَ وكيل “عميل” فردي، لأن البيانات المتصلة بالعميل الهَلُوسِي لن تكون قابلة للتحقق في اكتشاف البيانات، يمكننا بسهولة اكتشاف هذه الشذوذ والتخطيط للقضاء عليه. يساعد ذلك النظام الوكالي في التوسع مع الأعمال وإدارة طبيعته الديناميكية.
بالفعل، تضيف بنية مرجعية مثل هذه بعض العبء في اكتشاف البيانات وقواعد البيانات الرسومية. ولكن بالنسبة لمؤسسة كبيرة، فإنها تضيف الحواجز الصحيحة وتوجه الوكلاء لتنظيم عمليات الأعمال المعقدة.
إن بناء نظام قائم على الأنتولوجيا يمكن أن يحدث فرقًا كبيرًا في كيفية عمل الوكلاء. من خلال فهم البيانات بشكل صحيح، يمكنهم تحسين عمليات الأعمال بشكل فعال.
