Онтология или семантический слой? Что нужно ИИ-агенту от каждого из них.
В чем различия между онтологиями и семантическими слоями, что происходит, когда существует только один из них, где находятся графы знаний, и практический порядок создания слоя контекста.
Источники: **Ontology vs. Semantic Layer: Why Your AI Agent Needs Both**
Если задать трем источникам один вопрос о сумме полученных доходов, ответы часто отличаются: 10,2 млн от финансового отдела, 10,4 млн от отдела маркетинга, 9,8 млн от инструмента искусственного интеллекта в Slack. Никто не соглашается. Раньше люди решали такие вопросы в ходе краткой встречи. Агент не будет писать коллеге с вопросом о значении того или иного показателя, поэтому, столкнувшись с колонкой под названием rev_ttm_adj_v2, он либо выдумывает значение, либо берет первое попавшееся определение.
По имеющимся данным, использование моделированных знаний в процессе поиска снижает уровень галлюцинаций примерно на 40%. Однако это справедливо только в том случае, если знания существуют в моделированном виде, а не только в памяти нескольких человек, которые создали таблицы. Объем хранилища и уровень квалификации агента имеют мало значения, если между ними находятся только сырые таблицы и SQL-запросы, поскольку бизнес не будет полагаться на полученные результаты.
Слой контекста
Слой контекста определяет функцию, а не продукт. Он собирает семантические определения, знания в конкретной области, информацию о происхождении данных, правила управления, показатели качества и статус сертификации, предоставляя их через один интерфейс как для людей, так и для агентов.
Здесь основную работу выполняют онтологии и семантические слои. Маркетологи поставщиков часто смешивают их, но каждый из них решает разные задачи, и неправильная последовательность их создания приводит к тому, что проекты искусственного интеллекта хорошо выглядят в демо-версии, но застаиваются на этапе внедрения в производство.
Разделение труда в одной строке
Кратко: семантический слой отвечает на вопросы о том, какой был доход, в то время как онтология занимается вопросами о том, что такое клиент.
Семантический слой отвечает за метрики. Он определяет, как рассчитываются доход, количество активных пользователей в месяц и жизненная ценность, какие функции использовать и какие фильтры применять, чтобы все команды и инструменты получали идентичные результаты.
Онтология отвечает за смысл. Она указывает, что считается клиентом, как клиенты связаны с заказами, что делает человека уровня Platinum, и может ли программное обеспечение делать новые выводы на основе уже сохраненных данных.
Онтология: понятия, связи, рассуждения
Классическое определение — это явное формальное описание общей концептуализации, которое сводится к трём частям:
- Классы: типы сущностей в данной области, например Клиент, Продукт, Заказ, Регион.
- Свойства и связи: способы взаимосвязи этих сущностей. Клиент оформляет заказ, а продукт относится к определённой категории.
Онтологии записываются согласно стандартам W3C, таким как RDF и OWL, чтобы машины могли не только читать их, но и делать на их основе выводы. Предположим, что в онтологии указано, что клиент уровня Platinum имеет годовой доход свыше 1 млн, а факты говорят о том, что компания Acme зарабатывает 2 млн. Система сама делает вывод, что Acme относится к уровню Platinum, причем никто не писал условий типа «если — то». Семантические слои и инструменты BI не способны к этому. Они выполняют заранее определённые расчёты и никогда не выводят факты, которые не были заданы заранее.
Онтологии также соединяют словари между различными системами. В CRM для обозначения клиента используется термин «Customer», в ERP — «Client», в финансовых системах — «Account», а онтология связывает все эти понятия с одним бизнес-объектом. Агент, работающий на основе такой онтологии, следует за связанным графом вместо того, чтобы делать предположения на основе разрозненных таблиц. В здравоохранении стандартом является SNOMED CT, в финансовых услугах — FIBO, а в регулируемых секторах наличие формальной онтологии практически обязательно.
Цена также является очевидной. Компания Palantir превратила разработку корпоративных онтологий в отдельную рыночную категорию, однако процесс реализации сопряжен с серьезными трудностями: необходимы внедренные инженеры, ручная моделирование, на полную разработку уходит от шести до восемнадцати месяцев, к тому же существует дефицит специалистов в области формальной логики.
Семантический слой: показатели и цифры, совпадающие между собой
Этот подход является более практичным. В 1990-х годах компания Business Objects представила продукт Universe — инструмент для представления бизнес-терминологии в контексте сложных схем. Основная проблема остается прежней: доходы рассчитываются по-разному, цифры противоречат друг другу, что снижает уверенность в точности данных. Сегодня риски ещё выше, поскольку раньше несоответствия приводили лишь к неудобным графикам, а теперь могут привести к внесению вымышленных чисел в отчеты, влияющие на принятие решений.
Современный семантический слой состоит из четырех компонентов:
- Хранилище метаданных, позволяющее связывать такие элементы, как mrr_calc_v3, с показателем ежемесячного повторяющегося дохода.
- Механизм бизнес-логики, объединяющий формулы для расчета показателей в одном месте, чтобы их можно было определить один раз и использовать заново.
- Механизм преобразования запросов, генерирующий операции объединения и фильтрации.
- Система контроля доступа, обеспечивающая единообразное применение прав на уровне строк и столбцов.
Технологии развиваются стремительно. dbt добавил семантический слой, основанный на MetricFlow, который хранит определения метрик в формате YAML под контролем версий и компилирует их в несколько вариантов SQL. В сентябре 2025 года Snowflake, Salesforce, dbt Labs и BlackRock начали работу над проектом Open Semantic Interchange (OSI), а его версия 1.0, выпущенная в январе 2026 года, предоставила нейтральный формат для обмена семантическими метаданными. Такие продукты, как Cube, AtScale, LookML, DAX, Databricks Metric Views и Snowflake Semantic Views, все движутся в одном направлении — семантический слой превращается в стандартный инструмент для создания данных, готовых к использованию в ИИ.
Однако существует ограничение. Слой может точно указать, как рассчитываются доходы, но не может определить, как клиент подключается к рынку и его правилам, а также не может решить, заслуживает ли аккаунт маркировки как высокорисковый согласно правилам домена. Джессика Талисман в своей статье для Metadata Weekly четко это сформулировала: семантические слои отвечают за поиск информации, а онтологии — за контекст и логические рассуждения.
Что происходит, если использовать только один слой
- Один лишь семантический слой даёт точные, но поверхностные ответы. Какой канал принёс наибольший оборот в прошлом месяце? На этот вопрос есть точный ответ. Почему оборот снизился или должен ли он вырасти? Ответа нет, поскольку нет модели, описывающей взаимосвязь каналов, расходов и профилей клиентов.
- Онтология хорошо описывает концепции, но не справляется с графиками. Это Acme Platinum? Логично. Что привнесла Acme в прошлом месяце? Опять три противоречивых ответа, поскольку в системе отсутствуют указатели на таблицу фактов или правила агрегации.
Цифры отрасли совпадают. Gartner прогнозирует, что к концу 2027 года более 40% проектов в области ИИ будут отменены из-за высоких затрат, неопределенной пользы и недостаточного контроля. Среди 248 руководителей по управлению данными, опрошенных в исследовании, 63% признались, что у них нет необходимых практик для поддержки ИИ. Проблема редко кроется в самой модели; данные, лежащие в ее основе, не имеют семантической основы.
Тенденции развития идут и в противоположном направлении. В прогнозах конференции Gartner 2026 года говорится о том, что к 2030 году универсальные семантические слои станут частью критической инфраструктуры вместе с платформами для обработки данных и системами кибербезопасности, а компания Futurum ожидает, что их использование вырастет с 16% в этом году до 30% к 2031 году. Microsoft представляет встроенную поддержку онтологий в Fabric IQ, тогда как Timbr.ai продает семантические слои с функциями логического анализа. Оба подхода движутся к сближению.
Графы знаний и таксономии
Граф знаний хранит экземпляры данных, поэтому реальные клиенты и заказы представлены в виде узлов. Онтологию можно рассматривать как схему, а граф знаний — как сами данные. Агент, который анализирует связи во время выполнения программы, перемещается по этому графу.
Таксономия представляет собой упрощённую онтологию: иерархии родителей и детей без выводов и боковых связей. Каталоги продуктов, классификация доменов данных и маркировка персональных данных обычно начинаются с неё, и это отличная отправная точка. Полная онтология становится необходимой лишь тогда, когда агенту требуется делать выводы между категориями, например, чтобы определить, влияет ли понижение категории А на запасы в категории B.
Как соединяются элементы
Уровень контекста состоит из двух частей:
- Контекст данных: онтология, семантический слой, граф знаний, информация о происхождении данных, показатели качества и политика доступа. Он указывает ИИ, в какой сфере бизнеса он работает.
- Контекст приложения: предпочтения пользователя, история разговоров, документы домена и полученные факты (память плюс технология RAG). Он указывает ИИ, с кем он общается.
Один вопрос проходит через четыре этапа:
- Онтология определяет такое понятие, как учет доходов, вместе с привязанными к нему правилами.
- Семантический слой преобразует это в вычисления: какие таблицы необходимо объединить и как произвести агрегацию.
- Граф знаний связывает понятие с соответствующими метриками, историей изменений и потребителями данных.
- MCP передаёт контекст агенту в момент вывода результата.
Здесь сходятся два года обсуждений по вопросам проектирования контекста: надёжный результат требует структурированного контекста, а онтологии и семантические слои являются двумя самыми сложными составляющими. MCP решает проблему передачи данных, но не их содержания. Если предоставить агенту неструктурированные таблицы и SQL-запросы, протокол верно передаст ошибочные результаты.
Подход одного поставщика
Один из поставщиков баз данных описывает свой решение как открытую семантическую стек-структуру, также называемую OSI, которая объединяет метрики, определения, сырые данные, граф контекста и онтологию вместо отдельного семантического слоя BI. Она состоит из трех слоев:
- Нижний слой — семантический слой: определения метрик, правила расчёта и соответствия между измерениями и данными. Он основан на стандарте Ant-OSI, совместим с отраслевым OSI и уже используется в производстве в компании Ant Group.
- Слой графа контекста посередине: метрики, объекты, события, цепочки связей и потребители, соединённые в сеть, которую большие языки моделирования анализируют значительно эффективнее, чем сырые схемы или файлы формата YAML.
- Верхний слой — онтологический слой: бизнес-семантика, согласованная с семантикой баз данных, с локальными терминами рабочего пространства и общекорпоративными концепциями, связанными между собой, при этом они развиваются по собственным графикам.
Основополагающий принцип заключается в использовании семантики как кода. Определите семантику один раз, после чего позвольте инструментам аналитики данных создавать панели управления, агентам писать SQL-запросы, а инструментам управления отслеживать происхождение данных — всё на основе одного и того же определения, без отдельных семантических структур для аналитики данных, искусственного интеллекта и инструментов управления. В тестах, проведённых у этого поставщика среди клиентов, точность преобразования естественного языка в данные значительно превосходила аналогичные показатели у конкурентов. Утверждается, что модели сами по себе не делают продукты уникальными, поскольку все называют одни и те же технологии большими языковыми моделями; решающую роль играет качество семантического контекста. Использование корректных бизнес-определений вместо сырых таблиц повышает точность преобразования естественного языка в SQL больше, чем настройка подсказок.
С чего начать
Начните с семантического слоя в следующих случаях:
- Команды не согласны относительно того, что означает доход или активные пользователи.
- Проект связан с анализом разговоров или взаимодействием с данными через чат.
- Стек данных уже централизован, и ожидается получение результатов в течение двух–шести месяцев.
Начинайте с онтологии в следующих случаях:
- Организация работает в сфере финансов, здравоохранения или государственного управления с строгими требованиями к соблюдению нормативов.
- ИИ должен обрабатывать информацию из разных областей, например, по клиентам, продуктам и регулированиям.
- Одна и та же концепция имеет разные названия в полудюжине систем.
- Необходима автоматизированная классификация или обнаружение аномалий на основе правил.
Для большинства предприятий практический порядок действий выглядит следующим образом:
- Сначала создайте семантический слой, централизовав основные показатели, чтобы BI и ИИ использовали одинаковые определения.
- Изначально делайте онтологию простой — в виде бизнес-глоссария, а не полноценного проекта по стандарту OWL.
- Добавьте механизмы управления: информацию о происхождении данных, оценки качества, ответственных лицах и сертификацию.
- Обеспечьте доступ ко всем данным агентам через MCP, что превращает слой контекста из диаграммы в инфраструктуру.
dbt не предоставляет онтологию, а онтология в стиле Palantir не подходит всем командам. Постепенное развитие от глоссария к формальной онтологии гораздо реалистичнее, чем попытка сразу всё реализовать.
Собственный план развития поставщика также отражает постепенный подход. В краткосрочной перспективе семантический слой покрывает все рабочие пространства, обеспечивая централизованное управление метриками и возможность поиска терминов. В среднесрочной перспективе появляются глоссарии, иерархии категорий и связи между сущностями в виде таксономии; затем они получают возможность согласования между системами и базового вывода, при этом развитие происходит по отдельным областям. Долгосрочный вопрос заключается в том, что произойдёт, когда области, моделировавшие свою семантику отдельно, будут вынуждены объединить её, и как обеспечить возможность развития как локальных, так и глобальных определений.
Связанные материалы
- Почему ИИ-агентам нужен слой управления, а не просто лучшие промпты — Промпты влияют только на одну взаимодействие, а не на весь рабочий процесс. Как слой управления, состоящий из правил, ограничений контекста, полномочий и подтверждения завершения работы, делает ИИ-агентов надежными.
- Почему память ИИ-агента должна хранить только изменения и как её организовать — Память агента должна фиксировать только то, что модель не смогла угадать. Четыре теста для каждой записи, три требования к хранению и почему markdown подходит для этой цели.