AI Semantic Layer, или граф-онтология вашей компании

Средняя сложность

Доклад принят в программу конференции

Мнение Программного комитета о докладе

На кейсе бигтеха разберём сбор контекста для ИИ-агентов из графа знаний через RAG. Сравним дерево Штейнера и k-связность, проверим реализацию Claude на миллионных графах: время, память и полноту контекста. Покажем эффект переноса алгоритма внутрь Neo4j и когда сложный поиск не оправдывает затрат.

Целевая аудитория

Этот доклад для архитекторов ИИ-платформ и агентов, технических руководителей, ML/LLM- и дата-инженеров, разработчиков корп ИИ-агентов. Он будет полезен командам, которые уже запустили ИИ пилоты, настроили сценарии для ИИ-агентов и столкнулись с тем, что каждый новый агент заново подключается к ERP, CRM, документам и другим источникам, повторно восстанавливает одни и те же сущности и связи и расходует токены на повторную сборку корпоративного контекста.

Тезисы

(будет обновлено позднее) Как построить корпоративных ИИ-агентов, которые знают системы и процессы компании, учитывают SDD/ADR, связывают договоренности из звонков с состоянием проекта и замечают отклонения от плана? И как сделать это без раздувания промптов и повторного сбора одного и того же контекста?

Мы покажем AI Semantic Layer, общий инфраструктурный слой между корпоративными данными и агентами. Он объединяет системы, документы, регламенты, логи, транскрипты встреч и, по сути, все интересующие компанию цифровые следы в связанную модель. Агент получает из нее небольшой фрагмент данных для своей задачи вместе со ссылками на источники.

Каждый агент вместо того, чтобы грузить в себя весь контекст, получает из AISL релевантный срез информации с указанием источников.

На примере внедрения в крупной финансовой организации разберем: - как построить онтологию реального бизнес-процесса - как связывать сущности без единого идентификатора - что хранить в графе, а что получать в рантайме - как извлекать события, задачи и решения из документов и звонков - как измерять стоимость контекста в токенах и времени разработки

Покажем архитектуру, промежуточные результаты и ошибки, обнаруженные при переходе от отдельных ИИ-пилотов к общему контекстному слою, а также объясним, где такой подход не окупается.

Спикеры

Максим Кочуков

R77.AI

Максим Кочуков — CTO R77.AI - 8+ лет опыта в IT, инженерной разработке и техническом лидерстве; background в Security: участник большого числа международных CTF-соревнований, многократный победитель и призёр. - ex-CTO Dbrain (YC), ex-Mirror AI (YC), ex-Яндекс, ex-Kaspersky. - Выпускник МФТИ: прикладная математика и информатика. - Лектор Computer Networking в МФТИ. - Специализация: - архитектура AI-native продуктов и production-инфраструктуры для ML; - MLOps, orchestration ML-пайплайнов, deployment и эксплуатация моделей; - распределённые вычисления, data processing и backend-системы высокой надёжности; - построение инженерных платформ для разработки, тестирования и внедрения AI-решений; - техническое лидерство: от архитектуры до процессов разработки и production ownership.