Context graph, AI memory и корпоративные знания: достаточно ли decision traces?

Context graph может охватить полный контекст, ход рассуждений и причинно-следственные связи критически важных бизнес-решений. Это мощная идея.

Статья Foundation Capital за декабрь 2025 года под названием «AI’s trillion-dollar opportunity» вызвала заметный интерес в индустрии enterprise AI. Причина в том, что в ней вводится новая концепция «context graph» — knowledge graph, предназначенного для фиксации нового ИИ-парадигмального слоя, известного как «decision traces». Context graph выглядит как потенциально очень сильная идея.

Подход с context graph может фиксировать полный контекст, ход рассуждений и причинно-следственные связи за критически важными бизнес-решениями, а значит, выглядит очень практичной концепцией. Как говорится в статье, «агентам нужны не просто правила; им нужен доступ к decision traces, которые показывают, как правила применялись в прошлом, где делались исключения, как разрешались конфликты, кто что утверждал и какие прецеденты на самом деле управляют реальностью». Эту мысль поддерживает и часть комментариев к прогнозу: важнейшие знания заключаются в данных о решениях, которые сопровождают транзакции по мере прохождения workflow.

Мы видим ценность в этой идее. Decision traces важны, потому что они раскрывают наблюдаемое рассуждение, стоящее за тем, как решения реально принимались. При этом, как и многое в enterprise AI сегодня, где новые прорывы появляются каждые несколько недель, мы рассматриваем decision traces как часть возникающего решения проблем ИИ-принятия решений, а не как единственный волшебный ключ. Context graph работает только в том случае, если он способен хранить корпоративные знания и показывать, как связаны все организационные данные.

Лишь часть картины

Статья, однако, выделяет слой, которому раньше уделялось недостаточно внимания, и это важно. Но определение нужно расширить, чтобы включить сущности, связи, provenance, время, права доступа, политики — и, да, следы важных решений, но не только их.

Сопоставление этого с другим классом рассуждающих сущностей — homo sapiens — помогает лучше понять мысль. Люди опираются на разные типы памяти: эпизодическую память, которая фиксирует, как принимались решения и что произошло; семантическую память, которая хранит факты и их значения; и процедурную память, которая управляет навыками и тем, как выполнять задачи.

Decision traces в основном относятся к эпизодической категории, но игнорировать другие типы рассуждения нельзя. Семантический слой — факты и схемы — и процедурный слой — навыки и операционные принципы — не менее важны. Если мы знаем факты, но не понимаем, как принимались решения, например, трудно рассуждать о будущих решениях. Если мы знаем, как решения принимались, но не знаем исходных фактов, мы не можем быть уверены, что выводы верны. А если мы не понимаем процедурную сторону, то есть как работа реально выполняется, мы теряем операционные принципы, на которые люди опираются.

Иными словами, серьезный ИИ требует всех трех типов рассуждения. Уберите один, и вы фактически даете ИИ свободу галлюцинировать в этой области. ИИ будет пытаться заполнить пробелы с помощью общих знаний о мире, которые могут не совпадать с реальностью конкретной организации.

Семантический слой, то есть конкретные, численно отслеживаемые факты об организации, вероятно, и должен быть отправной точкой. Публичной информации о рассуждениях или принятии решений много, но внутренние бизнес-факты являются приватными. Большие языковые модели не обучались на этих данных, и организациям не хотелось бы, чтобы обучались, потому что тогда доступ к ним получили бы все остальные. Без этих данных модель будет просто выдумывать ответы.

Напоминание о том, зачем нужны графы

Context graph вполне может служить источником истины для explainable autonomy, но не для всего. Реальные организации по-прежнему опираются на системы вроде ERP, CRM и data warehouse, и именно они должны оставаться каноническими источниками транзакций, сырых данных и записей.

Context graph добавляет такие элементы, как то, какое доказательство оказалось важным, какие связи были релевантны, какие политики применялись, какие исключения были сделаны и почему конкретное действие было допустимо в данный момент. Иными словами, context graph — это своего рода операционная память, которая дополняет существующие корпоративные системы, а не заменяет их.

Графы важны для растущего понимания того, как строить практичные, нетривиальные ИИ-структуры в бизнесе, потому что корпоративный контекст по своей природе основан на связях. Интересные вопросы — не о поиске похожего текста. Они о связях: кто что утвердил, какая политика действовала, какие системы были затронуты, что изменилось перед инцидентом и как клиент связан с тикетами, контрактами и транзакциями.

Это все вопросы о связях, и обработать их с помощью простого vector search трудно. Помните: vector search находит похожий текст, но не передает структуру связей. Графы дают гораздо более высокий шанс напрямую моделировать и запрашивать эти связи.

Context graph не заменит другие типы графов в корпоративных системах; он будет их объединять. Context graph располагается поверх существующих систем, помогая ИИ понимать, куда смотреть, и выступает центральным «hive mind» для агентов. Например, если банк задает бухгалтерский вопрос, он может обратиться к бухгалтерской базе данных; если вопрос связан с мошенничеством, он может запросить fraud detection graph. Хорошо спроектированный context graph действует как слой, соединяющий все. Это своего рода «graph of graphs», который направляет запросы.

Где здесь GraphRAG?

Смежный вопрос — где в формирующейся экосистеме context graph находится retrieval-augmented generation (RAG), реализованный поверх графов, то есть GraphRAG. GraphRAG показывает высокую эффективность в улучшении извлечения данных из графов, чтобы ИИ-системы могли более эффективно получать доступ к структурированным знаниям, поэтому он является важной частью этого ландшафта.

Остаются и более крупные вопросы. Как представлять навыки? Как управлять процедурными знаниями? Как агенты развивают способности со временем?

Поначалу мы будем определять навыки вручную, но новые фреймворки уже начинают позволять системам автоматически создавать и оценивать навыки, обеспечивая, чтобы они повышали производительность, а не ухудшали ее.

Все это нужно объединить. Сейчас рынок движется и учится невероятно быстро, и мы экспериментируем. Мы пытаемся понять, какой будет полная архитектура ИИ. Наш совет командам enterprise AI — впитывать как можно больше инноваций, включая context graph и decision traces, но пока ничего не фиксировать окончательно. Ландшафт меняется так быстро, что уже на следующей неделе может появиться новая ключевая идея.

Какое замечательное время, чтобы быть разработчиком, не так ли?

—

New Tech Forum — площадка для технологических лидеров, включая вендоров и других внешних авторов, чтобы подробно и широко обсуждать новые корпоративные технологии. Отбор субъективен и основан на нашем выборе технологий, которые, по нашему мнению, важны и особенно интересны читателям InfoWorld. InfoWorld не принимает маркетинговые материалы к публикации и оставляет за собой право редактировать все предоставленные материалы. Все запросы отправляйте на doug_dineley@foundryco.com.

Материал — перевод статьи с английского.

Оригинал: Contexts graphs, AI memory, and enterprise knowledge: Are decision traces enough?