גרף ידע

מהו גרף ידע?

גרף ידע הוא ייצוג מובנה של ישויות מהעולם האמיתי ושל הקשרים ביניהן, שמאוחסן כרשת של צמתים (ישויות) וקשתות מכוונות ומתויגות (קשרים). במונחים פורמליים, גרף ידע הוא אוסף של שלשות סמנטיות בצורה (נושא, נשוא, מושא), כמו (Order #12345, has_status, Shipped) או (Customer, purchased, Product_X). מבנה הגרף מאפשר למכונות לנווט בין קשרים, להסיק עובדות חדשות ולענות על שאילתות מורכבות שמסדי נתונים שטוחים וחיפוש מילות מפתח לא מסוגלים להתמודד איתן.

בשירות לקוחות, גרפי ידע מחברים מוצרים, מדיניות, רשומות לקוחות, שלבי פתרון תקלות ותיעוד לרשת מידע מאוחדת שסוכני AI יכולים לתשאל בזמן אמת. במקום לחפש מילות מפתח במאמר במאגר הידע, סוכן AI יכול לנווט בגרף ולגלות שלמוצר מסוים יש תקלה ידועה, שמפעילה מדיניות החזרה מסוימת, שמחייבת טופס מסוים.

איך גרפי ידע עובדים

גרף ידע מתחיל באונטולוגיה: סכמה שמגדירה את סוגי הישויות (לקוחות, מוצרים, פניות, מדיניות) ואת סוגי הקשרים ביניהן (purchased, filed_ticket_about, resolved_by). נתונים ממקורות מרובים, כמו מערכות CRM, מוקדי תמיכה, מסדי נתוני מוצר ותיעוד, נקלטים וממופים לאונטולוגיה הזו, ויוצרים רשת מחוברת של שלשות.

לאחר שהגרף נבנה, הוא תומך בכמה פעולות. מעבר בגרף (graph traversal) עוקב אחר הקשתות כדי לענות על שאלות רב-שלביות ("איזו אחריות חלה על המוצר שהלקוח הזה קנה בחודש שעבר?"). הסקה בגרף מפעילה כללים או למידת מכונה כדי לגזור עובדות שלא אוחסנו במפורש. שאילתות גרף משתמשות בשפות כמו SPARQL או Cypher כדי לשלוף תתי-גרפים ספציפיים. לפי מעבדת ה-AI של Stanford, השילוב בין מבנה מפורש ליכולת הסקה הוא מה שהופך גרפי ידע למתאימים במיוחד ל-AI ארגוני.

Microsoft Research (2025) מצאו ששילוב אחזור מגרף ידע עם RAG שיפר את הדיוק העובדתי בכ-23% והשיג שביעות רצון משתמשים של 89% בתמיכת לקוחות במסחר אלקטרוני, בהשוואה לבסיס השוואה של אחזור טקסט בלבד.

הרכיבים המרכזיים של גרף ידע

ישויות וצמתים: האובייקטים שמיוצגים בגרף, כמו לקוחות, מוצרים, מאמרי תמיכה, נציגים ומדיניות. לכל צומת יש סוג שמוגדר באונטולוגיה, והוא יכול לשאת מאפיינים (שם, תאריך, סטטוס).

קשרים וקשתות: חיבורים מכוונים ומתויגים בין ישויות. התווית מתארת את מהות הקשר ("reported_issue", "resolved_by", "related_to"). הקשרים הם שנותנים לגרף את כוחו, כי הם מקודדים הקשר שרשומות שטוחות לא יכולות ללכוד.

אונטולוגיה וסכמה: אוצר המילים הפורמלי שמגדיר אילו סוגי ישויות וקשרים קיימים. אונטולוגיה מתוכננת היטב מבטיחה עקביות בין מקורות הנתונים ומאפשרת שאילתות משמעותיות. תקנים כמו RDF ו-OWL מספקים מסגרות פורמליות להגדרת אונטולוגיה.

קליטה וקישור: תהליך חילוץ הישויות ממערכות המקור (CRM, ניהול פניות, קטלוג מוצרים), איחוד כפילויות וחיבור הישויות באמצעות קשתות. זיהוי ואיחוד ישויות (entity resolution) הוא אחד האתגרים ההנדסיים הקשים ביותר בבניית גרף.

מנוע הסקה: השכבה שמפעילה כללים ולמידת מכונה כדי להסיק קשרים חדשים או לאמת קשרים קיימים, למשל להציע מוצר חלופי כשמוצר מסוים יוצא מהשוק.

למה גרפי ידע חשובים לחוויית הלקוח

שאילתות בשירות לקוחות הן מטבען תלויות קשרים. לקוח לא שואל שאלה מבודדת; הוא שואל על ההזמנה שלו, החשבון שלו, המוצר שלו. כדי לענות בדיוק צריך לחבר מידע בין מערכות, וגרפי ידע מספקים את רקמת החיבור הזו. מחקר שפרסמה LinkedIn (2025) דיווח על קיצור של 28.6% בזמן החציוני לפתרון תקלות לאחר פריסת אחזור משופר מבוסס גרף ידע בתהליכי העבודה של התמיכה.

גרפי ידע גם מפחיתים הזיות AI בכך שהם מעגנים את הפלט של LLM בעובדות מאומתות ומובנות. כשסוכן AI שולף תת-גרף של ישויות מחוברות במקום גוש טקסט לא מובנה, יש לו בסיס עובדתי אמין לתשובה. זו הסיבה שגרפי ידע הופכים לעמוד השדרה הסמנטי של ארכיטקטורות RAG ארגוניות.

היתרון של Maven

הפלטפורמה של Maven AGI קולטת ומחברת נתונים מיותר מ-100 מערכות ארגוניות, ובונה שכבת הקשר עשירה שמתפקדת כגרף ידע עבור כל אינטראקציה עם לקוח. כשלקוח פונה לתמיכה, סוכן ה-AI של Maven מנווט בין החיבורים האלה כדי לשלוף את ההקשר הנכון: היסטוריית החשבון, פרטי המוצר, אינטראקציות קודמות ומדיניות רלוונטית. האחזור המובנה הזה הוא הסיבה שלקוחות Maven משיגים שיעורי פתרון גבוהים באופן עקבי.

Enumerate, פלטפורמה לניהול נכסים, השיגה שיעור פתרון של 91% עם Maven AGI, לאחר שחיברה את הרשת המורכבת של נתוני הנכסים, רשומות הדיירים ותהליכי התחזוקה שלה לשכבת ידע מאוחדת ונגישה ל-AI.

להעמקה טכנית, קראו על האופן שבו מאגרי ידע מבוססי AI מתפתחים כדי לתמוך בתפעול תמיכה מודרני.

שאלות נפוצות

מה ההבדל בין גרף ידע למאגר ידע?

מאגר ידע הוא בדרך כלל אוסף של מאמרים, מסמכים או רשומות FAQ שמאוחסנים כתוכן שטוח או מובנה במידה מועטה. גרף ידע הולך רחוק יותר ומייצג את הישויות שבתוכן הזה ואת הקשרים ביניהן כגרף מובנה. המבנה הזה מאפשר למערכות AI להסיק מסקנות על פני עובדות מחוברות, במקום רק לחפש התאמות של מילות מפתח בתוך מאמרים בודדים.

איך גרפי ידע מפחיתים הזיות AI?

גרפי ידע מעגנים את הפלט של AI בנתונים מאומתים ומובנים. כשמערכת AI שיחתי שולפת תת-גרף של ישויות מחוברות (product > warranty > return_policy), ה-LLM מייצר תשובות על סמך שלשות עובדתיות ולא על סמך השלמת טקסט הסתברותית. דפוס זה של אחזור ואחריו יצירה מפחית משמעותית את הסבירות לתשובות מומצאות או שגויות.

האם קשה לבנות ולתחזק גרפי ידע?

בניית גרף ידע לסביבת ייצור מחייבת תכנון אונטולוגיה מוקפד, צינורות נתונים אמינים וזיהוי ישויות שוטף. ההשקעה הראשונית משמעותית, אבל התמורה בדיוק ה-AI ובקישוריות בין המערכות מצטברת לאורך זמן. פלטפורמות ארגוניות כמו Maven AGI חוסכות חלק גדול מהמורכבות הזו באמצעות קליטה וחיבור אוטומטיים של נתונים מהמערכות המשולבות.

האם גרפי ידע עובדים עם נתונים לא מובנים?

כן. טכניקות NLP כמו זיהוי ישויות בשם וחילוץ קשרים יכולות לנתח טקסט לא מובנה (פניות תמיכה, אימיילים, יומני צ'אט) ולחלץ ממנו ישויות וקשרים כדי לאכלס גרף ידע. הגישה ההיברידית הזו משלבת את הגמישות של נתונים לא מובנים עם הדיוק של שאילתות גרף מובנות.