Context graphs и decision traces: почему graphs могут стать «оперативной памятью» для enterprise AI
Context graph может захватывать полный контекст, рассуждения и причинно-следственные связи ключевых бизнес-решений. Это мощная идея.
Декабрьская статья Foundation Capital 2025 года под названием «AI’s trillion-dollar opportunity» вызвала заметный интерес в индустрии enterprise AI. Причина в том, что она вводит новую концепцию — «context graph», то есть knowledge graph, предназначенный для фиксации нового AI-парадигмата под названием «decision traces». Context graph быстро превращается в потенциально очень сильную идею.
Подход с context graph может фиксировать полный контекст, ход рассуждений и причинные связи, стоящие за критическими бизнес-решениями, что делает его крайне практичной концепцией. Как отмечается в статье, «агентам нужны не просто правила; им нужен доступ к decision traces, показывающим, как правила применялись в прошлом, где делались исключения, как разрешались конфликты, кто что утверждал и какие прецеденты действительно управляют реальностью». Эту мысль поддерживает и часть комментариев к прогнозу, где подчеркивается, что важнейшее знание — это данные о решениях, которые возникают вокруг транзакций по мере прохождения workflow.
Мы видим ценность в этой идее. Decision traces действительно важны, потому что они показывают наблюдаемую логику того, как решения на самом деле принимались. При этом, как и во многом в enterprise AI сегодня, где новые прорывы появляются каждые несколько недель, мы рассматриваем decision traces как часть формирующегося решения проблем AI-поиска и AI-рассуждений, а не как единственный универсальный ключ. Context graphs работают только тогда, когда они могут хранить знания предприятия и отображать, как связаны все организационные данные.
A part of the picture
Статья действительно указывает на уровень, которому мы раньше уделяли недостаточно внимания, и это важно. Но определение нужно расширить: в него должны входить сущности, связи, происхождение данных, время, права доступа, политики — и, да, следы важных решений, но не только они.
Сравнение с другой категорией рассуждающих сущностей, homo sapiens, помогает пояснить мысль. Люди опираются на разные типы памяти: эпизодическую память, которая фиксирует, как принимались решения и что происходило; 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 нельзя игнорировать и другие типы рассуждений. 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, трудно рассуждать о будущих решениях. Если мы знаем, как решения принимались, но не знаем базовых фактов, нельзя быть уверенными, 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 AI требует всех трех типов рассуждения. Уберите один — и вы фактически даете AI свободу галлюцинировать в этой области. AI будет пытаться заполнить пробелы с помощью общих знаний о мире, которые могут не совпадать с реальностью организации.
Семантический слой, то есть конкретные, поддающиеся численной проверке факты об организации, вероятно, и есть то место, с которого стоит начинать. Публичной информации о рассуждениях или принятии решений достаточно, но внутренние бизнес-факты являются закрытыми. Large language models не обучались на этих данных, и организациям не хотелось бы, чтобы обучались, потому что тогда доступ к ним получили бы все остальные. Без этого модель просто станет выдумывать ответы.
A reminder on why we need graphs
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, которые должны оставаться каноническими источниками транзакций, сырых данных и записей.
Что добавляет context graph, так это элементы вроде того, какое доказательство имело значение, какие отношения были релевантны, какие политики применялись, какие исключения были сделаны и почему конкретное действие было допустимо в определенный момент. Иными словами, context graph — это своего рода operational memory, которая дополняет существующие enterprise systems, а не заменяет их.
Graphs важны для растущего понимания того, как строить практичные, нетривиальные AI-структуры в бизнесе, потому что enterprise context по своей сути основан на связях. Интересные вопросы не в том, как извлечь похожий текст. Они о связях: кто что утвердил, какая политика применялась, какие системы были затронуты, что изменилось до инцидента и как клиент связан с tickets, contracts и transactions.
Все это — вопросы о связях, и их трудно обрабатывать с помощью простого vector search. Напомним: vector search находит похожий текст, но не захватывает структуру отношений. Graphs дают гораздо больше шансов моделировать и запрашивать эти связи напрямую.
Context graphs не заменят другие типы graphs в enterprise systems; они будут их объединять. Context graph располагается поверх существующих систем, помогая AI понимать, где искать, и выступает центральным «hive mind» для agents. Например, если банк задает бухгалтерский вопрос, он может обратиться к accounting database; если вопрос связан с fraud, он может запросить fraud detection graph. Хорошо спроектированный context graph действует как слой, соединяющий все. Это своего рода «graph of graphs», который направляет запросы.
Where does GraphRAG fit?
Связанный вопрос — где в формирующейся экосистеме context graph находится retrieval-augmented generation (RAG), реализованный в graphs, или GraphRAG. GraphRAG уже показывает высокую эффективность в улучшении retrieval из graphs, чтобы AI-системы могли более эффективно получать доступ к структурированным знаниям, так что он является важной частью этого ландшафта.
Остаются и более крупные вопросы. Как представлять навыки? Как управлять procedural knowledge? Как agents развивают способности со временем?
Сначала мы будем определять навыки вручную, но новые frameworks уже начинают позволять системам автоматически создавать и оценивать навыки, обеспечивая, чтобы они повышали производительность, а не снижали ее.
Все это нужно объединить. Сейчас рынок движется и учится невероятно быстро, и мы экспериментируем. Мы пытаемся понять, какой будет полная AI-архитектура. Наш совет командам enterprise AI — впитывать как можно больше инноваций, включая context graphs и decision traces, но пока ничего не высекать в камне. Ландшафт меняется так быстро, что уже на следующей неделе может появиться новая критически важная идея.
Хорошее время быть разработчиком, не так ли?
—
New Tech Forum — площадка для технологических лидеров, включая вендоров и других внешних авторов, где они могут подробно изучать и обсуждать новые enterprise technologies. Отбор субъективен и основан на выборе технологий, которые, по нашему мнению, важны и наиболее интересны читателям InfoWorld. InfoWorld не принимает маркетинговые материалы к публикации и оставляет за собой право редактировать весь присланный контент. Все запросы направляйте на doug_dineley@foundryco.com.
Материал — перевод статьи с английского.