Онтология: что это

Text-to-SQL без онтологии отвечает правильно в лучшем случае в половине случаев. И это не вина модели — это вина того, что вы скармливаете ей таблицы и колонки вместо смыслов. Она не знает, что «выручка» и «прибыль» связаны, что у «клиента» бывают «заказы», а у «заказов» — «платежи».

Когда на сцену выходят ИИ-агенты, которые должны не просто показать цифру, а понять вопрос и связать между собой разрозненные понятия, одного семантического слоя-словаря становится мало. Нужна онтология.

Звучит как заумное философское слово, от которого пахнет пылью библиотек и древнегреческим. На деле всё проще и практичнее. Давайте разберёмся, что такое онтология, чем она отличается от семантического слоя и зачем она вашему ИИ-ассистенту.

Онтология: словарь плюс связи

Семантический слой отвечает на вопрос «что означает эта метрика?». Онтология идёт дальше и отвечает на вопрос «как это понятие связано с остальными?». Если семантический слой — это глоссарий терминов, то онтология — это схема того, как термины связаны между собой.

Вот простая аналогия. Представьте ресторан. Семантический слой — это меню с описанием блюд: «стейк — мясо на гриле, средней прожарки». Онтология — это связь блюд с продуктами, поставщиками, аллергенами и ценами: «стейк готовится из говядины от фермера Иванова, подаётся с гарниром, не подходит аллергикам». Сами по себе блюда понятны, но именно связи позволяют решить, что предложить гостю с непереносимостью лактозы и бюджетом до тысячи рублей.

Технически онтология описывает сущности (классы), их свойства (атрибуты) и отношения (как один класс связан с другим). Классические языки описания — RDF и OWL, но на практике не обязательно уходить в такую глубину. Иногда достаточно аккуратной схемы сущностей и связей.

Зачем онтология ИИ-агентам

Теперь главное. Проблема наивного Text-to-SQL в том, что модель видит таблицы и колонки, но не понимает, как понятия связаны между собой. «Выручка» и «прибыль» для неё — просто слова в разных колонках. Она не знает, что прибыль получается из выручки, и что «выручка» у маркетинга и у финансов — это, возможно, разные вещи.

Онтология даёт ИИ-агенту недостающий контекст:

• какие понятия существуют в бизнесе;
• как они связаны (выручка → прибыль, клиент → заказ → платёж);
• какие синонимы и альтернативные названия используются;
• какие правила и ограничения действуют.

Когда ИИ-агент опирается на онтологию, он перестаёт угадывать и начинает рассуждать в терминах вашего бизнеса. Вопрос «покажи самых прибыльных клиентов» больше не превращается в случайный JOIN — агент знает цепочку: клиент → заказы → выручка → прибыль.

flowchart LR
  A[Вопрос на естественном языке] --> B[ИИ-агент]
  B --> C[Онтология:<br/>понятия и связи]
  C --> D[Семантический слой:<br/>метрики и формулы]
  D --> E[База данных]
  E --> F[Ответ пользователю]

Онтология против семантического слоя

Это не конкуренты, а партнёры. У них разные задачи:

Можно построить отличный семантический слой и без формальной онтологии. Но если вы подключаете ИИ-агентов и хотите, чтобы они отвечали не только на «сколько?», но и на «почему?» и «как связано?», онтология — это то, что превращает ИИ из калькулятора в собеседника.

Языки описания: RDF и OWL

Если вы решите копать вглубь, рано или поздно встретите RDF (Resource Description Framework) и OWL (Web Ontology Language).

• RDF — базовый формат описания утверждений вида «субъект — предикат — объект». Например: «Клиент — совершает — Заказ». Просто и очень гибко.
• OWL — надстройка над RDF с более строгой логикой: классы, подклассы, ограничения, транзитивные связи. Позволяет машине делать выводы: если «Клиент» — подкласс «Субъекта», а «Субъект» имеет имя, то и «Клиент» имеет имя.

Не нужно пугаться. Для большинства проектов достаточно описать схему понятий и связей в YAML или JSON, а RDF/OWL — это уже уровень формальной строгости, к которому приходят, когда масштаб и требования к выводам растут.

С чего начать

Внедрение онтологии не обязано быть эпическим проектом с академической архитектурой. Достаточно начать с малого:

1. Выпишите ключевые понятия бизнеса: клиент, заказ, продукт, выручка, прибыль, отток.
2. Определите связи между ними: кто кому принадлежит, что из чего следует.
3. Свяжите с метриками в семантическом слое: каждое понятие должно указывать на конкретные метрики и формулы.
4. Подключите к ИИ-агенту: отдайте онтологию как контекст вместе с определениями метрик.

Результат — ИИ-агент, который не просто достаёт цифры, а понимает ваш бизнес. Он перестаёт быть похотливым студентом, хватающим любые таблицы, и превращается в аналитика, который знает предметную область.

Итог

Онтология — это следующий шаг эволюции семантического слоя в эпоху ИИ. Она даёт машинам не только слова, но и связи между ними. В паре с семантическим слоем она превращает Text-to-SQL из лотереи в предсказуемую инженерию, а вашего ИИ-ассистента — из генератора случайных запросов в эксперта по вашему бизнесу.

Если хотите копнуть глубже, вот пара полезных ссылок: введение в онтологии в аналитике и чем RDF отличается от OWL.