لایهٔ دانش سازمانی: چیزی که ایجنتها کم دارن
هوش مصنوعیخلاصهٔ کاملتر
تو این مطلب که Jesús Barrasa از Neo4j نوشته، ادعای اصلی روشنه: هوش مصنوعی سازمانی بهخاطر ضعف مدل شکست نمیخوره. مدلهای فرانتیر هر چند ماه بهتر و ارزونتر میشن و ابزار و ارکستریشن و گاردریل هم بالغ شدن، ولی با همون مدل و همون ابزار، شرکتهای مختلف نتیجههای خیلی متفاوتی میگیرن. به گفتهٔ نویسنده تفاوت جای دیگهست: ایجنتی که کسبوکاری رو که توش کار میکنه نمیفهمه، شکست میخوره.
ریشهش چیزیه که نویسنده بهش میگه «معنای ضمنی». دادهٔ سازمانی برای اپلیکیشنها و آدمها ساخته شده و معنی رو خود اپ و تحلیلگر تأمین میکردن؛ همه میدونن status = 2 یعنی «معلق تا بررسی»، ولی این معنی هیچجا نوشته نشده که ایجنت بتونه بخونتش. واکنش طبیعی تیمها اینه که معنی رو بذارن تو خود ایجنت: یه تعریف تو پرامپت، یه ابزار سفارشی تو سرور MCP. دمو عالی درمیاد، ولی با ده تا ایجنت، ده تا کپی خصوصی از سازمان ساخته میشه که آرومآروم از هم دور میشن.
پیشنهاد مقاله برعکس این عادته: ایجنتهای سبکتر روی یه بستر مشترکِ هوشمندتر. EKL سه تا جزء داره. آنتولوژی یه نقشهٔ زندهٔ سازمانه، از داراییهای داده تا مفاهیم کسبوکار، فرایندها، نقشها و قواعدی مثل اینکه مبلغ برگشتی نمیتونه از مبلغ اصلی بیشتر باشه. دادهٔ سازمان کار گراندینگ رو میکنه و میتونه بیرون بمونه یا داخل خود لایه مادیسازی بشه. حافظه هم رد تصمیمها رو نگه میداره: آنتولوژی میگه چی ممکنه، حافظه میگه چی قبلاً جواب داده.
EKL فقط یه کاتالوگ تعریف نیست، اجراییه و بین داراییهای داده و ایجنتها میشینه؛ چون هم از هر پنجرهٔ کانتکستی بزرگتره و هم مدام عوض میشه، ایجنت هر بار ازش کوئری میگیره. برای درخواستی مثل «ریسک ما روی این مشتری چقدره؟» لایه، نیت کاربر رو تفسیر میکنه، منبع معتبر رو انتخاب میکنه، کوئری میسازه، سیاست دسترسی رو همون لحظه اعمال میکنه و رد کار رو تو حافظه ثبت میکنه.
نویسنده میگه EKL چیزی نیست که بخری؛ باید ساختش، اون هم بیشتر از پایین به بالا: LLMها اسکیماها رو میخونن، معنی هر جدول و نگاشتها رو پیشنهاد میدن و جاهایی که دو تیم یه کلمه رو جور دیگه تعریف کردن علامت میزنن، ولی تصمیم نهایی با آدمهاست. مقاله تأکید میکنه این لایه با «لایهٔ سمانتیک BI» فرق داره: BI فقط میگه یه متریک چطور حساب میشه، ولی نمیدونه مشتری به اشتراک وصله، اشتراک تاریخ تمدید داره و مالکش کیه.
نکات کلیدی:
- شکست هوش مصنوعی سازمانی معمولاً از مدل نیست، از نبود معنی دادههای کسبوکاره
- ریختن معنی توی تکتک ایجنتها «تکثیر معنایی» میسازه و تعریفها از هم دور میشن
- EKL سه جزء داره: آنتولوژی، دادهٔ سازمان و حافظه
- لایه اجراییه: نیت رو تفسیر میکنه، منبع معتبر رو پیدا میکنه و سیاست دسترسی رو همون لحظه اعمال میکنه
- ساختنش هیبریدیه: کشف از پایین با کمک LLM، حاکمیت از بالا با تأیید آدمها
- به گفتهٔ نویسنده هوش به کالا تبدیل شده و دانش سازمانی خندق واقعیه
