26 июня в Гуанчжоу состоялся закрытый семинар по корпоративным ИИ-агентам, посвящённый теме «Онтологическое мышление и прикладная практика». В нём приняли участие более десяти руководителей компаний из сфер финансов, энергетики, промышленности, розничной торговли и государственных услуг, а также специалисты, отвечающие за интеллектуальную трансформацию. Семинар провёл вице-президент AHS Джексон Чэнь (Jackson Chen). Он выстроил разговор вокруг центрального тезиса — дать ИИ понять предприятие и позволить интеллекту участвовать в управлении — и увёл участников с мелководья внедрения технологий на глубину системного понимания сути бизнеса и логики работы онтологии.
Ключевой вывод: водораздел корпоративного ИИ проходит не по тому, насколько силён модель или велики вычислительные мощности, а по тому, способна ли компания сделать явными скрытые в её работе цепочки «потому что… следовательно…» — в виде исполняемой, проверяемой и способной развиваться онтологии.
1. Предыстория: от тупика управления данными к вопросу о цепочке бизнес-логики
Повестка била прямо в главное узкое место сегодняшнего корпоративного ИИ: почему после многих лет проектов по управлению данными и значительных вложений ИИ по-прежнему с трудом понимает бизнес и не принимает решений, согласующихся с его логикой?
В повседневной работе компании множество важных суждений опирается на неявную логику «поскольку X, значит Y»: почему этому клиенту отказали в кредитном лимите? почему этот заказ прошёл через особое согласование? За каждым таким решением стоит вполне отчётливая цепочка бизнес-логики. Но чаще всего эти цепочки существуют внутри организации лишь как опыт, обычай или разрозненные документы. Они плохо поддаются систематическому выражению и превращаются в «тёмное знание», до которого ИИ не дотягивается.
Отсюда и суть проблемы: предприятию, возможно, не хватает вовсе не данных, а внутренней способности структурно выразить связи между данными и правила бизнеса — ту самую неявную логическую цепочку, что пронизывает процессы от начала до конца.
Именно этому и была посвящена встреча: как перевести эту «цепочку» из неявного в явное, из размытого опыта — в вычислимый и выразимый структурированный бизнес-актив, на который смогут опереться корпоративные агенты, чтобы понимать бизнес и участвовать в решениях.
2. Доклад: онтология — технологический путь от разрозненных данных к семантической сети
Чэнь открыл семинар сравнением: «Если уподобить предприятие живому организму, данные — это кровь, вычислительная мощность — мышцы, а онтология — мозг и нервная система. Она определяет, как предприятие познаёт само себя и как взаимодействует со средой».
Затем он показал демонстрацию: как из разнородных внутренних систем — ERP, CRM, OA — извлекаются ключевые бизнес-объекты «клиент», «заказ», «договор» и как между ними выстраивается сеть смысловых связей.
«Причина, по которой проекты озёр данных и корпоративных дата-платформ не принесли ожидаемой отдачи от интеллектуальной трансформации, — отметил Чэнь, — в том, что данные создавались для чтения человеком. В них нет семантического слоя, понятного ИИ. ИИ видит лишь груду разрозненных, ничего не значащих чисел и строк». Он выстроил и общую траекторию развития корпоративных ИИ-технологий: от RAG (генерации с извлечением), опирающейся на внешние знания, к GraphRAG, подключающему связи внутреннего графа знаний, и далее к OAG (генерации, дополненной онтологией), в центре которой — собственная бизнес-логика предприятия.
Онтология — это собственный ров предприятия. Она не зависит от возможностей внешней большой модели, а делает явным то неявное, передаваемое из уст в уста ноу-хау, которое живёт внутри компании, превращая его в структурированный актив: наследуемый, оптимизируемый и исполняемый.
Онтология не просто описывает, чем бизнес «является», — она способна управлять тем, что система «делает».
Он привёл в пример компанию «Цяоинь» — первого в Китае оператора городских услуг, вышедшего на рынок акций A. С помощью системы Agentrix компания выстроила бизнес-онтологию, сделав явной логику работы сложной диспетчеризации в реальном времени, координации процессов, упреждающего вмешательства в риски и заблаговременного оповещения об отклонениях. Опираясь на бизнес-онтологию и модель мирового поведения, она реализовала динамическую оптимизацию решений: заметно выросла операционная эффективность, снизились издержки, а время реакции диспетчеризации сократилось с часов до минут.
По мнению Чэня, трансформация предприятий проходит последовательные этапы: от информатизации (построение ИТ-систем) к цифровизации (процессы, управляемые данными) и, наконец, к «ИИ-изации» (агенты участвуют в управлении). Онтология и есть та ключевая инфраструктура, на которой держится последний этап.
3. Вопросы из зала
Завершающей частью стал открытый обмен с представителями компаний. Их понимание онтологии уже не держалось на уровне понятий — вопросы уходили вглубь, к практике внедрения и коммерческой отдаче.
1. Единство семантики: когда разные системы внутри компании называют одно и то же по-разному, как ИИ понимает это верно и выполняет проверку?
Вопрос из зала: «Наша ERP работает много лет, и для множества полей таблиц вообще нет единого справочника данных. Возьмите „запасы“: с точки зрения финансов, производства и склада это разные вещи. Без справочника — как ИИ, глядя только на названия таблиц и полей, поймёт подлинный деловой смысл каждого поля?»
Ци Сяоси, эксперт по продукту AHS: «Мы применяем многоуровневую стратегию. Прежде всего Agentrix в приоритетном порядке использует уже имеющийся у предприятия справочник данных как авторитетный источник. Если его нет, большая модель на основе структуры таблиц, закономерностей именования полей, связей между таблицами и делового контекста выводит вероятную семантику полей и формирует разметку. Затем эксперты бизнеса проверяют и корректируют выводы ИИ, замыкая цикл семантической разметки в связке человека и машины. Это механизм двойной страховки».
Вопрос из зала: «В ERP и CRM поля и наименования, определяющие „клиента“, различаются. Как после очистки определить, что это один и тот же объект?»
Ци Сяоси, эксперт по продукту AHS: «С помощью правил семантической унификации и механизма кластеризации источников. Система автоматически находит соответствие между разными наименованиями — скажем, client_code и customer_id — и проверяет его через анализ происхождения данных. По сути Agentrix выстраивает единый когнитивный слой бизнес-объектов, стоящий выше наименований любой конкретной системы».
2. Механизм правил: когда возникает исключение, не предусмотренное внутренним регламентом, как ИИ его распознаёт и улучшает действующие правила?
Вопрос из зала: «У нас много договоров аренды торговых помещений, где порядок расчёта арендной платы изложен текстом. Правила нужно заводить вручную по одному, или система может прочитать текст договора и автоматически извлечь структурированные правила расчёта? Может ли формулировка вроде „как поступать при сумме свыше пяти миллионов“ превратиться в исполняемое ИИ структурированное правило?»
Ци Сяоси, эксперт по продукту AHS: «Наша система умеет анализировать неструктурированные документы — Word, PDF, сканы, Excel — и автоматически извлекать структурированные бизнес-правила. Из договора аренды она, например, распознаёт логику „фиксированная плата плюс процент с оборота“. Ручное определение и сопровождение правил тоже поддерживаются. Кроме того, система находит неявные закономерности в истории операций: если определённый вид заявок на расходы всегда выходит за бюджет и при этом всегда согласовывается, она усвоит это „негласное правило“ и предложит сделать его явным».
Вопрос из зала: «Регламент не может перечислить все случайности. Для командировок есть стандартный тариф, но при срочном проекте порой доступен только билет по полной цене. Как правила справляются с такими исключениями?»
Го Линь, технический директор AHS: «Механизм правил нашей DataOS построен на трёхслойном гибридном выводе. Во-первых, ограничивающие правила OWL обрабатывают детерминированные, прямо прописанные требования регламента путём логического вывода. Во-вторых, алгоритмы машинного обучения выявляют в истории согласований „негласные правила“ — те схемы, что нигде не закреплены, но на практике неизменно проходят, — и предлагают закрепить их формально. В-третьих, большая модель обеспечивает гибкую адаптацию к исключениям, которые регламент перечислить не в состоянии, например к сверхнормативным командировочным расходам из-за срочного проекта».
Джексон Чэнь, вице-президент AHS: «Одна из ключевых способностей онтологии — саморазвитие. Опираясь на историю операций, система непрерывно учится и может предлагать новые правила или улучшение действующих, так что нормативная система предприятия развивается динамично, вместе с бизнесом».
3. Логика решений: как в критически важных сценариях сделать рассуждение ИИ таким же строгим и понятным, как математическое доказательство?
Вопрос из зала: «В нашей тендерной комиссии семь человек, и мы постоянно опасаемся: если суждение большинства окажется искажено, надёжность результата упадёт. Можно ли доверить окончательное решение ИИ? И следом возникает вопрос: как убедиться, что его суждение — не догадка на пустом месте?»
Ци Сяоси, эксперт по продукту AHS: «ИИ может взять на себя оценку и аудит, но на ключевых этапах — например, в коммерческих переговорах — человек по-прежнему необходим. Главная ценность ИИ-поддержки не в ответе из чёрного ящика, а в полной прослеживаемой цепочке доказательств рассуждения. Скажем, при оценке поставщика система не просто укажет, что цена может быть завышена, но и пояснит, на чём основан вывод: на сравнении с прошлыми договорами, на отклонении от отраслевых ориентиров или на сработавших проверках правил. Каждый шаг подкреплён данными или правилами и прослеживается от начала до конца. Как только человек может чётко определить „на таком-то основании — такое-то суждение“, ИИ способен усвоить эту логическую цепочку решения и применять её повторно».
Джексон Чэнь, вице-президент AHS: «По сути это разница между логической определённостью и вероятностным подбором. Большая модель работает на вероятностях: сегодня ответит верно, завтра ошибётся. Онтологический вывод же считает на основе заданных логических правил и данных; если правила и данные верны, результат детерминирован и воспроизводим. Онтология позволяет сделать ход мысли ИИ таким же ясным, как математическое доказательство».
Вопрос из зала: «Я хотел бы обучить ИИ на договорах со всеми поставщиками за последние десять лет, чтобы при поступлении нового предложения он автоматически отмечал завышенные цены. Это осуществимо?»
Го Линь, технический директор AHS: «Анализ цен по внутренней исторической выборке — задача несложная. Но договорную цену нельзя оценивать только по внутренним данным: на неё влияют рыночная конъюнктура и экономические циклы, поэтому ключевым становится анализ из нескольких источников. Если руководитель закупок может прямо назвать основание — „поскольку цены на сталь недавно выросли на 15 %, я согласую это предложение“, — ИИ запомнит эту причинно-следственную связь и применит её сам, когда столкнётся со схожей рыночной ситуацией. Суть вопроса по-прежнему в полноте цепочки доказательств».
Вопрос из зала: «В водоснабжении и энергетике много сложных производственных правил — например, подача кислорода в аэротенк при очистке сточных вод. Нужно ли обучать для этого отдельные прогнозные модели?»
Го Линь, технический директор AHS: «Здесь надо различать сценарии. Простое сравнение предложений или проверка соответствия сводится к явной цепочке доказательств: человек принимает решение один раз, дальше исполняет ИИ. А вот сложное управление технологическим процессом на производстве, где задействованы модели экспертного опыта и данные датчиков в реальном времени, действительно требует обучения специализированных прогнозных моделей. Наша онтологическая система умеет инкапсулировать и вызывать такие профильные модели, замыкая контур от бизнес-правил до стратегии управления».
4. PaaS-архитектура: не завися от большой модели, вывод Agentrix по онтологии есть детерминированное логическое исполнение
Вопрос из зала: «Большие модели различаются по общим способностям. Что делать, если мы вложим много сил в отличную онтологию, а подключённый к ней „мозг“ — сама большая модель — окажется недостаточно умным?»
Го Линь, технический директор AHS: «Мы применяем модельно-независимую PaaS-архитектуру. Ключевую логику принятия решений полностью несёт онтологический слой: онтология определяет, „при каких условиях выполняется какое действие“, а большая модель служит прежде всего эффективным интерфейсом естественного языка и исполнителем задач. Поэтому система стабильно работает даже с моделью меньшего размера. Но важнее другое: компания, целиком зависящая от возможностей внешней модели, так и не построила собственного рва. Подлинная, невоспроизводимая конкурентоспособность — в собственных бизнес-данных, в выверенных практикой правилах и в сети причинно-следственных связей, укоренённой в отраслевом ноу-хау. Структурированные через онтологию, они и образуют главный барьер корпоративного интеллекта».
Риски пути с сильной зависимостью от большой модели: возможности модели становятся потолком, и результат ограничен её общими способностями; собственного барьера нет, ведь конкуренты могут взять ту же модель, — отсюда острая унификация предложений; издержки и риски плохо управляемы, поскольку стоимость вызовов API меняется вслед за тарифами, а риск цепочки поставок сохраняется; бизнес-логика превращается в чёрный ящик, из-за чего сложные решения трудно проверить и объяснить.
Преимущества пути, ведомого онтологией и независимого от модели: бизнес-логика становится автономной — ключевые правила суждения несёт собственная онтология компании, а определённость высока; выстраивается исключительный ров, поскольку конкурентоспособность рождается из уникального графа бизнес-знаний, который трудно скопировать; издержки и архитектура остаются гибкими, ведь можно выбирать наиболее выгодную модель, не попадая в зависимость; процесс прозрачен и проверяем, так как вывод опирается на явные правила и сквозные цепочки доказательств.
Вопрос из зала: «Как в ходе внедрения обеспечивается точность интеллектуальной системы? Не возникнут ли „галлюцинации“, как у больших моделей? И если изменятся бизнес-правила, придётся ли строить всю систему заново?»
Го Линь, технический директор AHS: «Вывод на основе онтологии — это детерминированное логическое исполнение, принципиально отличное от вероятностной генерации большой модели. Он ведёт себя как написанная программа: если входные данные и правила верны, результат обязан быть верным. Если же результат ошибочен, его всегда можно отследить до конкретного логического звена с ошибкой — неверно заданного правила, неправильного сопоставления данных — и исправить. Это совсем не то, что трудноискоренимые „галлюцинации“ больших моделей. При изменении бизнес-правил эксперту бизнеса достаточно изменить или дополнить соответствующие определения правил в онтологическом слое; переобучать сложную модель машинного обучения не требуется, а стоимость и сложность сопровождения резко снижаются».
Вопрос из зала: «Могут ли рядовые сотрудники бизнес-подразделений напрямую участвовать в построении онтологии? Например, запросить данные и тут же зафиксировать результат как новый показатель или новую онтологию — чтобы снизить издержки и ускорить работу?»
Го Линь, технический директор AHS: «Именно туда и движутся системы корпоративных агентов — к самоитерации. Но в корпоративных приложениях необходимо уравновешивать гибкость и нормативность. Мы считаем, что знание следует осаждать в базе данных, прежде всего графовой, а не сваливать целиком в контекст модели. Ключевой сдвиг — от „вывалить сразу весь опыт“ к „обнаруживать связи постепенно и получать по необходимости“. Частые и наиболее ценные операции закрепляются как переиспользуемые навыки (Skill). Сегодня их упаковка ещё требует участия технических специалистов, но цель в том, чтобы сотрудники бизнеса могли быстро создавать и улучшать такие модули бизнес-логики простым описанием на естественном языке».
5. Модель сотрудничества: это не поставка инструмента — при подходе «сначала онтология, потом управление данными» каждый шаг привязан к деловой ценности
Вопрос из зала: «Если мы внедрим вашу корпоративную ИИ-систему, какова конкретная модель сотрудничества? Продажа лицензий, подписка или что-то иное?»
Го Линь, технический директор AHS: «Мы склоняемся к глубокому партнёрству в формате совместного предприятия: инвестировать вместе с клиентом, разделять риски и делить результат, а не продавать стандартизированное ПО. Построение онтологии требует глубокого понимания бизнеса — передачей инструмента это не решается. Здесь мы опираемся на принцип инженера передового развёртывания (FDE), принятый в компаниях Кремниевой долины: направляем экспертов на длительную работу на площадке клиента, бок о бок с сотрудниками бизнеса. Такие вложения относятся к стратегической цифровой трансформации. Мы советуем клиентам начинать с пилота в конкретном сценарии и лишь после видимого результата постепенно расширять охват на ключевые процессы. Путь „сначала онтология, потом управление данными“ гарантирует, что каждое вложение бьёт прямо в деловую ценность, и разрывает порочный круг традиционных проектов по данным, которые замирают сразу после сдачи».
Следующий закрытый семинар по корпоративной онтологии уже готовится. Обращайтесь в AHS, чтобы получить индивидуальное решение на базе корпоративных агентов или забронировать место на следующей сессии.
