Почему любой ответ по тарифам на кованые детали устаревает к понедельнику.

Данные и знания существуют. Ответа нет.

Авторы

– Франсуа БЕНСИД, генеральный директор Graphicient – Николя РУЬЕ, менеджер по разработке решений, Южная EMEA, Neo4j

На дворе понедельник. За выходные Вашингтон снова изменил тариф, и специалист по закупкам получает короткий вопрос: «Каковы наши риски по кованым деталям?»

Здесь нет отчета, который можно запустить один раз. Это совсем не так. Ответ не живет в каком-то одном месте, и он постоянно меняется. Одна критически важная кованая деталь зависит от цепочки, которую никто не видит целиком:

• материал и место плавки его металла,
• кузнечное предприятие и его квалифицированные альтернативы,
• программы, в которых эта деталь используется,
• ее таможенная классификация,
• и документы, отслеживающие все это. Факты существуют.

Они разбросаны по спецификациям материалов, сертификатам на материалы, записям поставщиков и таможенным данным, причем каждая система создана для собственных целей. И правило, определяющее ответ, тоже постоянно меняется, поэтому у вопроса появляется новый ответ каждый раз, когда оно меняется, а анализ, подготовленный за шесть недель, по определению оказывается неверным.

Разве эта проблема еще не решена?Решена, причем трижды, и каждая попытка была более структурированной, чем предыдущая. И каждая заканчивается одинаково.

> Эксперт и электронная таблица. Кто-то, кто знает детали, вручную восстанавливает дерево поставок, деталь за деталью, вплоть до сырья. Недели кропотливой работы, которая устаревает в день завершения.

> Консультанты. Эта работа получает методологию, команду и бюджет. Появляется толстое и уверенное исследование, которое один раз отвечает на вопрос, а затем пылится в ящике стола. Когда правило снова меняется, вы платите за все сначала с чистого листа.

> Инструментальный подход. Анализ наконец индустриализуется в виде дашбордов. Более надежный, доступный для многих подход, но созданный под вопросы, актуальные на момент разработки, и медленно реагирующий на появление новых задач.

Три уровня зрелости, одна общая логика: каждый фиксирует ответ под одним углом и в один момент времени. Каждый шаг добавляет структуры, но ни один не устраняет корневую проблему, поэтому организация ходит по кругу: правило меняется, ответ устаревает, и работа начинается снова на уровень выше. Сегодня именно на инструментальный подход уходит больше всего усилий, поэтому он заслуживает более пристального внимания.

Что делают современные инструменты и где они останавливаютсяИнструментальный подход, BI (бизнес-аналитика), является рабочей лошадкой, но его ограничения носят структурный, а не производительный характер. Представление (view) — это вопрос, заключенный в определенную схему: оно прекрасно отвечает со своей точки зрения. Но тарифные риски детали редко были той точкой зрения, под которую создавался дашборд, поэтому задающий этот вопрос покупатель слышит одно из двух:

• «данных в таком виде не существует» (это неправда, они существуют, просто хранятся под другой точкой зрения), или
• «дайте нам шесть недель на создание нового отчета» (еще одно представление, снова запертое в своих рамках).

BI масштабируется не по количеству точек зрения, а по количеству проектов. Системы учета содержат факты, но каждая хранит их в рамках собственной единственной структуры. Они изначально не предназначались для ответа на вопрос, затрагивающий их все одновременно.

И даже внешне правильный запрос может ввести в заблуждение, когда никто не видит скрытого за ним пути. Анализируя раннюю версию этого же кейса, мы обнаружили одну карточку, которая молча урезала результат до первых строк, отобразив 120 из 235 деталей, попадающих под риски, и отбросив 115 без всяких объяснений. Другая сообщила, что найдены все 610 недостающих документов, хотя на самом деле их было всего несколько десятков. Урок здесь не в том, что инструменты плохи. А в том, что числу, за которым не виден путь его получения, нельзя доверять, а большинство инструментов этот путь скрывают.

Таким образом, настоящая проблема заключается не в отсутствии отчета. А в том, что каждый доступный ответ зафиксирован под одним углом и в определенный момент времени на основе данных, пробелы в которых все воспринимают как повод подождать. Почти половина документов по прослеживаемости этих деталей отсутствует — примерно 610 из 1 240. Рефлекс таков: «Наши данные неполные, мы не можем начать».

Существует другой способ получения ответа, и он не устаревает. Он не начинается с таблицы. Он начинается с бизнеса.

Метод

Все начинается с бизнеса, а не с таблицы

Выполните 3 шага: Спроделируйте предметную область, Подключите источники и Задайте вопрос.

Не нужно создавать промежуточные представления или наблюдать за их устареванием. Представление фиксирует один угол зрения; вместо ограниченного представления мы используем граф: граф формализует «сущности и связи между ними», и эта абстракция оказывается достаточно универсальной для моделирования огромного спектра реальных систем, предоставляя при этом доступ к зрелому набору алгоритмов для их анализа.

Граф хранит факты и их связи, поэтому каждая точка зрения уже присутствует в нем и всегда актуальна, поскольку данные считываются напрямую из источников. Модель лежит в основе: это общее пространство, где сходятся точки зрения закупок, контроля качества, программ и комплаенса, каждая из которых выражена в собственных терминах, но все они привязаны к одним и тем же данным. В этом и заключается весь сдвиг парадигмы, поэтому стоит проследить за его осуществлением шаг за шагом на платформе Graphicient.

1. Спроделируйте предметную область

Бизнес-пользователь создает объект, дает ему имя и определяет его атрибуты. Все остается простым: у кованой детали есть номер, критичность и семейство; у материала — сплав и страна плавки; у поставщика — тип и финансовое состояние. Ничего технического, только те свойства, по которым бизнес уже знает каждый объект.

Затем пользователь соединяет эти объекты семантическими связями так, как сам бизнес понимает эти взаимосвязи. Никаких знаний баз данных, никакой технической схемы, только те фразы, которые покупатель произнес бы вслух: деталь сделана из материала, материал выплавлен в определенной стране, поставщик ковает деталь, деталь используется в программе.

Не нужно предварительно читать файлы, привлекать IT-специалистов или заводить тикеты. Люди, погруженные в предметную область, просто фиксируют то, что они уже знают. Модель — это их знания, зафиксированные, структурированные и выраженные явно, а не чья-то интерпретация чужой выборки.

Не IT и не LLM: модель пишет бизнес!

Поскольку смысл этого шага заключается не в создании правдоподобной модели, а в фиксации того, что знает бизнес. Сегодня превращение бизнес-взгляда в модель обычно ложится на плечи архитекторов и IT-специалистов: это долгий и дорогой процесс перевода, в ходе которого теряется смысл, в результате чего бизнес получает модель, которую он сам не писал.

Поскольку смысл этого шага заключается не в создании правдоподобной модели, а в фиксации того, что знает бизнес. Сегодня превращение бизнес-взгляда в модель обычно ложится на плечи архитекторов и IT-специалистов: это долгий и дорогой процесс перевода, в ходе которого теряется смысл, в результате чего бизнес получает модель, которую он сам не писал.

Предоставление возможности LLM сгенерировать модель не устраняет этот перевод, а лишь автоматизирует угадывание. Модель появляется как внешний артефакт: никто присутствующий ее не формулировал, поэтому никто ею не владеет и никто не может ее защитить, когда что-то оспаривается. Заявленная (продуманная) модель переживает свое первое противоречие. Сгенерированной модели перестают доверять в ту же секунду, когда она кого-то удивляет.

Предоставление LLM возможности сгенерировать модель не устраняет эту проблему перевода, а автоматизирует догадку. Модель появляется в виде внешнего артефакта: никто в комнате ее не формулировал, поэтому никто не владеет ею и никто не может ее отстоять, когда что-то оспаривается. Сформулированная модель переживает свое первое противоречие. Сгенерированная же начинает вызывать недоверие в тот самый момент, когда она кого-то удивляет.

Это не значит, что для LLM нет места. Это сильный помощник: он может предложить атрибуты, указать на связь, которую никто не заявлял, и составить проект маппинга исходных файлов на модель. Он помогает бизнесу двигаться быстрее. Но он не принимает решения за него.

Это не значит, что для LLM нет места. Это сильный помощник: он может предложить атрибуты, указать на связь, которую никто не заявлял, и составить проект маппинга исходных файлов на модель. Он помогает бизнесу двигаться быстрее. Но он не принимает решения за него.

То, что бизнес только что зафиксировал — объекты, атрибуты и связи — имеет название: ontology. Не в академическом смысле, а в самом конкретном: это модель, которая на языке самой компании описывает, что существует и как связаны между собой вещи. Единственное отличие от того, что эксперт и так держит в голове, заключается в том, что здесь это явно выражено, доступно для совместного использования и запросов.

2. Подключите источники

Затем модель связывается с реальными системами: спецификациями материалов, сертификатами, данными поставщиков и таможни. Каждый источник сопоставляется с теми концептами, которые он подпитывает. Ничего не копируется в новое хранилище — граф считывает факты там, где они уже находятся, что также позволяет поддерживать их в актуальном состоянии при изменениях.

На этом этапе онтология перестает быть пустой схемой. Наполненная реальными данными, она превращается в граф знаний: объекты превращаются в тысячи конкретных деталей, материалов и поставщиков, связанных отношениями, заявленными на первом именно этот граф, бизнес-модель, наполненная фактами, становится объектом наших дальнейших запросов.

Сначала файлы, затем базы данных и озера данных

Сначала файлы, затем базы данных и озера данных

Файл CSV или Excel — это самый быстрый путь начать. Тот же шаг работает и с живыми источниками: коннекторы к Snowflake и Databricks доступны «из коробки», а любая база данных может быть подключена напрямую. Вы пишете запрос, который выбирает нужные данные, применяете необходимые трансформации и проецируете результат на модель точно так же, как если бы это был файл. Начните с выгрузки, чтобы проверить гипотезу, а затем переключитесь на тот же маппинг в живом источнике, когда этого потребует сценарий использования.

Файл CSV или Excel — это самый быстрый путь начать. Тот же шаг работает и с живыми источниками: коннекторы к Snowflake и Databricks доступны «из коробки», а любая база данных может быть подключена напрямую. Вы пишете запрос, который выбирает нужные данные, применяете необходимые трансформации и проецируете результат на модель точно так же, как если бы это был файл. Начните с выгрузки, чтобы проверить гипотезу, а затем переключитесь на тот же маппинг в живом источнике, когда этого потребует сценарий использования.

3. Спрашивайте сразу. И повторяйте итерации.

Когда домен смоделирован, а источники подключены, вы задаете вопрос на обычном языке и сразу получаете результат без необходимости предварительной разработки дашбордов. В этом и заключается вся ценность в одном предложении: смоделируйте бизнес, подключите источники и выполняйте запросы мгновенно. Ракурс больше не зашит в представление, он живет в самом вопросе.

Именно здесь итерационный цикл набирает обороты. Поскольку первый ответ редко бывает окончательным, пробелы быстро становятся очевидными: может не хватать какого-то атрибута или связь может указывать не в том направлении. Вместо того чтобы быть неудачей, это ключевая ценность модели — она делает скрытые элементы видимыми, позволяя дорабатывать ее дальше.

Благодаря этому процессу человек, задающий вопрос, получает возможность самостоятельно дорабатывать модель. Скорректировав атрибут, перенастроив связь или добавив еще один источник, он может повторно запросить данные в тот же день — без создания тикетов, запросов на изменение или ожидания в бэклоге ИТ-отдела. Прогресс занимает дни вместо кварталов.

Эта гибкость знаменует собой принципиальное отличие: в то время как несогласованный дашборд требует инициирования совершенно нового проекта, несогласованная модель требует лишь быстрой пятиминутной корректировки. Вместо того чтобы просто отвечать на ваш исходный вопрос, граф постоянно адаптируется к более глубоким вопросам, которые вы обнаруживаете по ходу дела.

Хотя один единственный запрос сам по себе приносит пользу, объединение нескольких запросов в цепочку дает полное понимание, необходимое для принятия решительных мер. Мы продемонстрируем этот многошаговый подход в нашей следующей статье. Ведь первый ответ редко бывает последним словом.

Оказывается, отсутствует атрибут. Связь указывает не в ту сторону. Ответ правильный, но он порождает более острый вопрос под другим углом. Ничто из этого не является неудачей, это модель выполняет свою работу: первая версия существует для того, чтобы сделать пробелы видимыми.

Смоделируйте домен > Подключите источники > Задавайте вопросы сразу. И повторяйте итерации.

Смоделируйте домен > Подключите источники > Задавайте вопросы сразу. И повторяйте итерации.

Это обеспечивает быстрый цикл обратной связи, позволяя человеку, задавшему вопрос, самостоятельно реализовать решение. Он добавляет атрибут, перерисовывает связь, подключает новый источник и задает вопрос снова в тот же самый день. Никаких запросов на изменение, никаких тикетов, никаких круговых поездок через чьи-либо бэклог. Дни, а не кварталы.

В этом и заключается разница, которая имеет значение. Дашборд, в котором отсутствует нужный вам ракурс, — это новый проект. Модель, в которой отсутствует нужный вам ракурс, — это пятиминутное исправление, которое вы сделали сами. Граф не просто отвечает на заданный вами вопрос — он впитывает вопросы, которые вы открываете в процессе поиска.

И если один вопрос дает ответ сам по себе, то пять связанных в цепочку вопросов достаточны для принятия решения. Именно это демонстрируется в нашей следующей статье.

Краткий обзоре результатов

Как только вы смоделируете домен и загрузите источники данных, сопоставленные с моделью, вы сможете выполнять запросы к связанным данным:

• используя Graphicient Explore
• через Graphicient AI Chat
• или используя готовые средства безкодового исследования с помощью Neo4j Bloom (поставляется в составе Neo4j Enterprise Studio)

Давайте рассмотрим последний вариант, а остальные интерфейсы запросов будут исследованы в следующих статьях.

Давайте ответим на несколько бизнес-вопросов по проблеме поковок, используя обход графов. Здесь бизнес-вопрос преобразуется в граф-запрос, который соединяет все необходимые точки данных, иногда разделенные множеством переходов.

Радиус поражения в случае отказа конкретного кузнечного производства

Тип SP-2: Радиус поражения при сбое $forger в строке поиска отображается список названий кузнечных производств. Выберите «Ferland Forge» и нажмите Enter — и вы получите радиус поражения в случае сбоя этого производства, включая поставляемые детали и затрагиваемые программы выпуска воздушных судов.

Вид «черного ящика». Давайте откроем «белый ящик»:

Вопрос «Радиус поражения SP-2…» представляет собой подготовленный запрос Cypher:

Давайте разработаем другой пример таким же образом:

Показать полную цепочку для конкретной детали

Здесь вам просто нужно выбрать номер детали, и отобразится вся связанная важная информация с учетом зависимостей между ними. Мы видим, что эта деталь:– используется в 1 авиационной программе, – отслеживается по 2 документам прослеживаемости, – классифицирована по 1 тарифной классификации, – изготовлена из 1 материала, выплавленного в Великобритании, – поставляется 1 поставщиком, находящимся в Германии

Кроме того, поисковая фраза Bloom представляет собой подготовленный параметризованный запрос Cypher:

Neo4j и Graphicient

Neo4j — ведущая в мире нативная графовая база данных

Платформа Neo4j Graph Intelligence превращает данные в знания, обеспечивая работу динамичных, персонализированных и автономных систем ИИ и интеллектуальных приложений, что позволяет организациям действовать быстрее и увереннее.

В производстве Neo4j оптимизирует цепочки поставок, укрепляет прослеживаемость и повышает эффективность производства за счет моделирования связей между деталями, поставщиками, процессами и оборудованием:

Цепочки поставок и логистика: картирование поставщиков, заводов и отгрузок для выявления узких мест и оптимизации маршрутов. Прослеживаемость: связывание требований клиентов, данных проектирования и испытаний для ускорения анализа первопричин и обеспечения соответствия требованиям (например, платформа прослеживаемости 5G-маршрутизаторов). Планирование производства: анализ критического пути для выявления неэффективности на производстве.

Caterpillar использует Neo4j для оптимизации логистики, в то время как Airbus, Lockheed Martin Space и армия США полагаются на нее для управления цепочками поставок и данными о жизненном цикле продукции.

Graphicient — промышленный движок знаний и комплаенса

Graphicient — это европейская суверенная графо-нативная платформа для промышленных знаний и комплаенса. С простой миссией: «Знания в ценность».

Крупные промышленные организации работают на разрозненных системах. PLM, ERP, MES, данные о качестве и поставщиках — каждая система содержит лишь часть общей картины, но ни одна из них не отражает ее полностью. Именно эта фрагментация делает комплаенс дорогим: доказательство прослеживаемости продукта, цепочки поставок или нормативной области означает ручной сбор доказательств каждый раз заново. Graphicient объединяет эти источники в единый граф знаний, управляемый онтологией, поэтому команды могут задать вопрос один раз и получить ответ, основанный на полном бизнес-контексте, с подтверждением происхождения.

Платформа, построенная на базе Neo4j, сочетает в себе онтологическое моделирование, графовую аналитику и взаимодействие на основе LLM. Последний компонент имеет ключевое значение: ИИ-агент в сочетании с графом сокращает количество галлюцинаций. Опираясь на граф знаний, они рассуждают на основе фактов и поддерживают проверяемые решения.

Graphicient используется в производстве у крупного автопроизводителя, насчитывая тысячи пользователей и более 40 рабочих сценариев использования, охватывающих спецификации материалов, инженерные изменения, риски поставщиков и нормативную прослеживаемость. Мы работаем с лидерами промышленности в автомобилестроении, аэрокосмической отрасли, энергетике и водоснабжении.

Why Every Forged-Parts Tariff Answer Is Stale by Monday. изначально была опубликована в Neo4j Developer Blog на Medium, где читатели продолжают эту историю.