Knowledge Graph là gì — bản đồ nối các thực thể để AI trả lời câu hỏi nhiều bước

Bài này dành cho chủ doanh nghiệp và người quyết. Knowledge graph được giải bằng ẩn dụ dễ hiểu, kèm khác kho tài liệu thường, cơ chế và cách MONA áp dụng.

Vì sao đáng quan tâm: nhiều câu hỏi giá trị nhất là câu hỏi về liên hệ. Knowledge graph giúp AI trả lời chính những câu mà tìm kiếm tài liệu đơn lẻ hay chịu thua.

Hình dung một thám tử dán ảnh các nhân vật lên tường rồi căng dây nối họ với nhau, mỗi sợi dây ghi rõ quan hệ. Nhìn vào tấm bảng đó là thấy ngay ai liên quan ai, lần theo dây là ra cả chuỗi.

So với một chồng hồ sơ dày, mỗi tờ nói về một người, muốn biết ai liên quan ai phải lật từng tờ rồi tự ghép trong đầu.

Kho tài liệu thường là chồng hồ sơ. Knowledge graph là tấm bảng căng dây: thực thể là các ảnh, quan hệ là các sợi dây có nhãn. Câu hỏi nhiều bước trở thành việc lần theo dây.

Một knowledge graph gồm các nút và các cạnh. Nút là thực thể như khách hàng, sản phẩm, hợp đồng. Cạnh là quan hệ có nhãn như đã mua, thuộc về, ký bởi. Mỗi nút và cạnh có thể mang thêm thuộc tính.

• Thực thể. Một thứ có danh tính rõ: một người, một đơn, một sản phẩm.
• Quan hệ có nhãn. Nối hai thực thể và nói rõ liên hệ là gì.
• Truy vấn theo đường đi. Hỏi bằng cách lần theo chuỗi quan hệ, không phải khớp từ.

Vì vậy knowledge graph mạnh ở chính chỗ kho tài liệu yếu: trả lời câu hỏi cần nối nhiều liên hệ lại với nhau.

• Trả lời câu hỏi nhiều bước. Lần theo chuỗi quan hệ mà tài liệu rời không nối được.
• Nhìn ra liên hệ ẩn. Thấy mối nối giữa khách, đơn, sản phẩm, nhà cung cấp.
• Dữ liệu nhất quán. Một thực thể một danh tính, tránh trùng và lệch.
• Truy nguồn rõ. Mỗi câu trả lời chỉ ra đúng các liên hệ đã dùng.
• Nền tri thức cho AI. Kết hợp với RAG cho câu trả lời vừa đúng liên hệ vừa giàu ngữ cảnh.

Knowledge graph là cách biến dữ liệu rời rạc của doanh nghiệp thành một mạng tri thức mà AI khai thác được.

Quy trình dựng và dùng một knowledge graph gồm bốn nhịp:

• Rút thực thể. Từ tài liệu, bảng dữ liệu, hệ thống, nhận ra các thực thể có danh tính.
• Xác định quan hệ. Tìm các liên hệ giữa thực thể và gắn nhãn rõ.
• Dựng đồ thị. Hợp nhất các thực thể trùng, nối thành một mạng nhất quán.
• Truy vấn để trả lời. AI lần theo đường đi trong đồ thị, có thể kèm tìm theo nghĩa để ghép ngữ cảnh.

Việc ghép đồ thị với tìm kiếm tài liệu thường được gọi là graph RAG, lấy điểm mạnh của cả hai.

Giả sử câu hỏi là tìm những nhà cung cấp liên quan tới các đơn hàng của một nhóm khách nhất định. Câu này đi qua ba bước liên hệ.

Trên kho tài liệu, máy phải tìm rời từng mảnh rồi ghép, dễ sót. Trên knowledge graph, AI lần theo dây: từ khách sang đơn, từ đơn sang sản phẩm, từ sản phẩm sang nhà cung cấp.

Kết quả là một chuỗi liên hệ rõ ràng, kèm đúng các nút đã đi qua để người duyệt kiểm lại. Đó là kiểu câu hỏi knowledge graph làm tốt hơn hẳn tìm tài liệu.

Hai cách lưu tri thức mạnh ở những loại câu hỏi khác nhau:

Thực tế hai cách bổ trợ nhau: đồ thị nắm liên hệ, tài liệu giữ ngữ cảnh chi tiết, ghép lại cho câu trả lời vừa đúng vừa đầy.

Knowledge graph không miễn phí. Cần cân các điểm sau:

• Sức mạnh liên hệ. Trả lời câu nhiều bước vượt xa tìm tài liệu.
• Công dựng ban đầu. Rút thực thể và quan hệ đúng đắn tốn công thiết kế.
• Công duy trì. Dữ liệu đổi thì đồ thị phải cập nhật để khỏi lỗi thời.

Với câu hỏi đơn giản một mảnh, dựng đồ thị có thể quá tay. Với bài toán nhiều liên hệ, công bỏ ra đáng giá.

Knowledge graph toả sáng ở những kiểu câu hỏi nhất định, chọn dùng theo nhu cầu:

Khi câu hỏi của doanh nghiệp rơi vào các nhóm này, knowledge graph thường là lời giải gọn hơn nhiều so với ghép tài liệu thủ công.

• Dựng đồ thị cho mọi thứ. Ôm hết dữ liệu vào đồ thị làm nó phình to và khó duy trì.
• Thực thể trùng không hợp nhất. Một khách bị tách thành nhiều nút làm liên hệ đứt.
• Quan hệ mơ hồ. Nhãn quan hệ chung chung khiến truy vấn ra kết quả nhập nhằng.
• Không cập nhật. Dữ liệu đổi mà đồ thị đứng yên, dẫn tới trả lời lỗi thời.
• Bỏ ngữ cảnh chi tiết. Chỉ có liên hệ mà thiếu tài liệu gốc nên trả lời thiếu chiều sâu.

Phần lớn lỗi knowledge graph đến từ khâu thiết kế thực thể và quan hệ, không phải từ công nghệ lưu trữ. Đây là chỗ cần nghĩ kỹ trước khi dựng.

MONA tiếp cận knowledge graph theo bài toán, không dựng đồ thị cho có:

• Bắt đầu từ câu hỏi. Xác định nhóm câu hỏi nhiều bước mà doanh nghiệp thực sự cần trả lời.
• Thiết kế thực thể và quan hệ. Chọn đúng thứ cần làm nút và nhãn quan hệ rõ ràng.
• Dựng từ nguồn thật. Rút từ hệ thống và tài liệu hiện có, hợp nhất thực thể trùng.
• Ghép với RAG và duy trì. Kết hợp đồ thị với tài liệu cho câu trả lời đầy đủ, cập nhật theo dữ liệu mới.

Đồ thị tri thức gắn chặt với dữ liệu doanh nghiệp nên đi cùng bảo mật. MONA tuân thủ guardrails và nguyên tắc dữ liệu theo Nghị định 13/2023.

Knowledge graph đáng cân nhắc khi câu hỏi của doanh nghiệp xoay quanh liên hệ:

• Quan hệ khách và giao dịch. Nối khách, đơn, sản phẩm, kênh để hiểu toàn cảnh.
• Chuỗi cung ứng. Lần theo sản phẩm, nhà cung cấp, lô hàng, hợp đồng.
• Tra cứu nội bộ phức tạp. Nối quy trình, phòng ban, tài liệu, trách nhiệm.
• Phát hiện liên hệ bất thường. Soi các mối nối không nên có trong dữ liệu.

Khi câu hỏi chủ yếu là một mảnh, kho tài liệu đủ. Khi giá trị nằm ở liên hệ nhiều bước, knowledge graph là lựa chọn xứng công.

Knowledge graph dễ hình dung nhưng dựng đúng cần kinh nghiệm thiết kế thực thể và quan hệ trên dữ liệu thật. Doanh nghiệp nên cân nhắc MONA khi:

• Có nhiều câu hỏi nhiều bước về khách, đơn, sản phẩm, nhà cung cấp đang phải ghép thủ công.
• Dữ liệu nằm rải rác nhiều hệ thống, cần hợp nhất thành một mạng tri thức nhất quán.
• Muốn một hệ AI trả lời vừa đúng liên hệ vừa giàu ngữ cảnh bằng RAG kết hợp đồ thị.
• Cần truy nguồn rõ và bảo mật khi khai thác dữ liệu liên hệ.

Hệ tri thức của MONA kết hợp knowledge graph với tìm kiếm tài liệu được thiết kế theo bài toán thật. Tham khảo LMS AI cho tra cứu nội bộ và Sale AI cho khai thác quan hệ khách hàng.