Добавить в корзинуПозвонить
Найти в Дзене

Компоненты DKG

Компоненты DKG: 1. Graph DB: Neo4j / Amazon Neptune / Tigergraph 2. Graph Schema: Онтология бизнес-сущностей (разрабатывается совместно с экспертами) 3. Graph Updater: - Слушает события из Vector Store и Meta-Controller - Использует NER (Named Entity Recognition) для извлечения сущностей - Применет правила и ML-модели для установления связей 4. Graph Traverser: - Выполняет запросы на языках Cypher/Gremlin - Возвращает структурированные субграфы для Analyzer 📈 Пример из практики *Запрос:* "Почему выросла дебиторская задолженность по клиенту 'Холдинг Глобус'?" *Работа графа:* 1. Находит узел Клиент: "Холдинг Глобус" 2. Обходит связи: [Холдинг Глобус] --(ИМЕЕТ_ДОГОВОР)--> [Договор №456] --(ВКЛЮЧАЕТ)--> [Продукт "Beta"] 3. Обнаруживает: [Продукт "Beta"] --(ИМЕЕТ_ПРОБЛЕМУ)--> [Инцидент: "Задержка поставки в марте"] (извлечено из писем поддержки) 4. Инсайт: "Рост дебиторки связан с недовольством клиента задержкой поставки продукта 'Beta' в марте. Рекомендуется связаться с менеджером по р

Компоненты DKG:

1. Graph DB: Neo4j / Amazon Neptune / Tigergraph

2. Graph Schema: Онтология бизнес-сущностей (разрабатывается совместно с экспертами)

3. Graph Updater:

- Слушает события из Vector Store и Meta-Controller

- Использует NER (Named Entity Recognition) для извлечения сущностей

- Применет правила и ML-модели для установления связей

4. Graph Traverser:

- Выполняет запросы на языках Cypher/Gremlin

- Возвращает структурированные субграфы для Analyzer

📈 Пример из практики

*Запрос:* "Почему выросла дебиторская задолженность по клиенту 'Холдинг Глобус'?"

*Работа графа:*

1. Находит узел Клиент: "Холдинг Глобус"

2. Обходит связи: [Холдинг Глобус] --(ИМЕЕТ_ДОГОВОР)--> [Договор №456] --(ВКЛЮЧАЕТ)--> [Продукт "Beta"]

3. Обнаруживает: [Продукт "Beta"] --(ИМЕЕТ_ПРОБЛЕМУ)--> [Инцидент: "Задержка поставки в марте"] (извлечено из писем поддержки)

4. Инсайт: "Рост дебиторки связан с недовольством клиента задержкой поставки продукта 'Beta' в марте. Рекомендуется связаться с менеджером по работе с клиентом."

💡 Ключевое преимущество

В то время как Vector Store отвечает на вопрос *"Что говорилось о продукте 'Alpha'?"*, Knowledge Graph отвечает на вопросы:

- *"Кто влияет на успех 'Alpha'?"*

- *"Какие скрытые факторы могут повлиять на рентабельность?"*

- *"Что из прошлого опыта с похожими продуктами может быть применено?"*

Итог

Dynamic Knowledge Graph — это долговременная семантическая память YFI. Он превращает данные из разрозненных источников в единую сеть знаний, где каждый факт связан с контекстом, причиной и последствиями. Это то, что позволяет системе понимать ваш бизнес, а не просто обрабатывать запросы.

В следующем посте мы спустимся на уровень исполнения и поговорим о самом рискованном, но критически важном модуле — Code/Query Generator & Executor. Как система безопасно выполняет код и запросы к вашим живым данным?

*💭 Вопрос для размышления: Какие причинно-следственные связи в вашем бизнесе сейчас хранятся только в головах сотрудников и могли бы быть формализованы в граф знаний?*

---

[1] = Продолжить. Следующий пост: «Безопасное исполнение: Code/Query Generator & Executor».

---

Продолжаем в том же ключе. Все следующие посты будут выдерживать эту стилистику: проблема -> решение -> технические детали -> пример -> философский вопрос. Жду указаний для продолжения.