知識圖譜是把人、案子、合約變成點，把關係變成線。 跨好幾份文件的問題，要沿著線走才答得出來。
#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI Knowledge Graph 怎麼讓 AI 把知識連起來。 阿哲，我們公司的資料都放進去了，問一段話它也真的找得到。可是我一問這個客戶的案子當初是誰接的，它就開始亂講。因為那個答案不在任何一段裡面。一份文件寫誰負責，一份寫案子叫什麼，後來為什麼砍價又寫在第三份。咦，那它一段一段找，不就永遠拼不起來？對，這就是這一集要解決的事。差別在知識的擺法。文件是一疊一疊放的；換成一張誰跟誰有關係的圖，它就走得過去了。 那第一個名詞就是知識圖譜嗎？圖譜這兩個字，聽起來好學術。名字唬人，東西很單純。它把人、案子、公司、合約，各自當成一個點；再把誰負責哪一案這種關係，畫成一條線。 所以它不是把文件收好，是把關係記下來？對。文件還在，只是多了一層東西記著誰跟誰有關。張經理連到那個案子，案子連到那家公司，公司再連到三份合約。喔，就像家裡那本族譜？上面不寫每個人的生平，只寫誰是誰的爸爸、誰又嫁給了誰。就是這個感覺。族譜的價值不在字多，在於你可以從一個人一路指到另一個人。要提醒一件事，這不是一個更聰明的搜尋，它換掉的是知識的擺法。那這些點跟線，是從哪裡冒出來的？從你本來就有的資料裡整理出來的。一張報價單上有業務的名字，也有案號，這兩格本來就是一條線，只是以前沒有人把它牽起來。 那 Graph RAG 呢？後面那個 RAG 我知道，是回答之前先去查一遍。差別在它怎麼查。一般的做法是各撈各的段落，撈回一堆用字很像、但不見得有關的東西；它是先找到那個點，再沿著線走過去。 那實際問一個問題的時候，差在哪裡？你問這個客戶的案子當初是誰接的。一般做法是拿這句話去比對段落，撈回一堆提到這個客戶的文字。它是先找到這個客戶，再沿著線走到案子、走到那個人。喔，就像提一串粽子？抓住繩頭一提，底下一整串都跟著上來，不用一顆一顆挑。這個比喻很好。差別在帶回來的東西彼此真的有關係，不是剛好用字很像。不過要注意，它走得到的路，只有事先連起來的那些。那沒連起來的那些呢？一樣看不到。這個客戶跟另一個客戶其實是同一個老闆，你沒把那條線牽上去，它就永遠繞不過去，而且它不會告訴你有一條路是斷的。 那 Graph Engineering 呢？工程這兩個字一出現，我就開始緊張。它講的是那些線是誰決定的。哪些東西算一個點、兩個點之間那條線叫什麼名字，都要有人先定義好，圖才長得出來。 所以圖不是自己長出來的？我還以為資料丟進去，它就會自己連。不會。誰算一個點、兩個點之間那條線叫什麼，都要有人先講清楚。負責跟參與是不是同一回事，機器不會幫你決定。喔，就像我幫家裡每一把鑰匙貼標籤？哪一把開哪一道門，是我自己寫上去的。很貼切。而且標籤寫錯的時候最麻煩，你照著標籤一路開下去，會很有條理地開錯一整排。關係定義錯了也一樣，它會很有把握地走到錯的地方。那這件事是一次做完就好了嗎？不是，它要一直養。公司多了一種合約、多了一種角色，就要多一種線。這也是為什麼它叫工程，不叫設定。 最後這個我很常看到。它回答完，旁邊會標一個百分比，說它有幾成把握。那個叫信心分數。它是自己估出來的一個數字，講的是它對這次回答有多確定，不是有人真的去核對過答案。 所以它標九十分，就是九成會對？不是。它算的是自己有多確定，不是這件事有多真。資料裡根本沒寫的東西，它照樣可以給你一個很高的分數。喔，就像考完試自己估分數？我覺得我這題穩了，跟老師改出來是幾分，是兩回事。這個比喻剛剛好。你估的是你當下的感覺，老師改的才是對不對。中間少掉的那一步，就是有人真的去對過答案。那這個分數到底要拿來幹嘛？拿來排先後。分數低的那幾筆先撈出來給人看一眼，這是它最好用的地方。但是分數高的那些，不代表你就可以不看。那它連自己有多確定都會估錯，這個分數還有什麼用？它的用處全在低分那一端。分數低，代表它自己也覺得心虛，那幾筆先撈出來給人看最划算。分數高的那些，只是它不心虛，不是它查過。 那我把這一集重新排一次好不好？好，你來。知識圖譜是把人、案子、公司變成點，把誰跟誰有關變成線。圖譜式檢索是先找到那個點，再沿著線把相關的帶回來，不是各撈各的段落。圖譜工程是那些線都要人先定義，圖不會自己長。信心分數是它自己給自己打的把握，不是有人去查證過。完全正確。以後遇到它答不出一個要串好幾份文件的問題，你先問一句：這兩件事之間，有人幫它牽過線嗎？ 企業級智庫引擎。讓公司的知識，答得出來、查得到、帶不走。
