‏اصل کمینهٔ آنتولوژی: فقط تفاوت رو تعریف کن

نویسنده با یه مثال ساده شروع می‌کنه: کلمهٔ «revenue» (درآمد) چه معنی‌ای داره؟ به گفتهٔ نویسنده، توی ذهن یه مدل زبانی این کلمه تنها نیست؛ کنار مفاهیمی مثل cost، margin، ARR و GAAP قرار گرفته. مدل از خوندن میلیون‌ها سند مالی یاد گرفته این مفاهیم نزدیک هم هستن و همین نزدیکی هندسی، خودش همون معنیه. نویسنده اسم این نقشهٔ ضمنی رو می‌ذاره آنتولوژی نهفته (Latent Ontology): یه ساختار هندسی از روابط مفاهیم که توی فضای embedding مدل وجود داره و طراحی نشده، بلکه از کل متن انسانی استنتاج شده.

اما معنی همون کلمه توی شرکت تو ممکنه فرق کنه. تو این مقاله اومده که مثلاً برای یه کسب‌وکار SaaS «درآمد» شاید عملاً یعنی MRR شناسایی‌شده، یا برای یه مارکت‌پلیس یعنی نرخ کمیسیون روی GMV. این فاصله بین فرض پیش‌فرض مدل و واقعیت سازمان تو، همون جاییه که مهندسی جالب اتفاق می‌افته.

نویسنده می‌گه معماری AI سازمانی دو لایه داره. لایهٔ اول لایهٔ ایجنتیکه (LLM که استدلال و تصمیم‌گیری می‌کنه) که آنتولوژی نهفته رو از قبل داره. لایهٔ دوم لایهٔ دیتاپلتفرمه (دیتاورهاوس، لایهٔ معنایی، کاتالوگ متریک) که چیزی به اسم آنتولوژی ساختاری (Structural Ontology) داره؛ یعنی تعریف صریح، نسخه‌بندی‌شده و دستی از اینکه مفاهیم خاص شرکت چی معنی می‌دن و چطور محاسبه می‌شن. به گفتهٔ نویسنده این دوتا آنتولوژی تقریباً کاملاً سازگارن و فقط یه مجموعهٔ کوچیک ولی مهم از تعریف‌های خاص با هم فرق دارن.

مشکل «منبع حقیقت» اینجا پیش می‌آد: اگه از یه ایجنت ساده بپرسی «درآمد سه‌ماههٔ سوم‌مون چقدر بود؟»، اون با آنتولوژی نهفتهٔ خودش معنی «درآمد» رو حدس می‌زنه و ممکنه اشتباه کنه، چون نمی‌دونه «درآمد» اینجا چه معنی‌ای داره. نویسنده می‌گه راه‌حل، تزریق زمینه (context injection) هست: لایهٔ معنایی تعریف‌هاش رو در اختیار ایجنت می‌ذاره و ایجنت موقع پاسخ ازشون استفاده می‌کنه. این کار برخلاف فاین‌تیون، ارزون، قابل‌ممیزی و برگشت‌پذیره و وزن‌های مدل رو دست نمی‌زنه.

رابطهٔ این دو لایه یه‌طرفه نیست؛ یه حلقهٔ بازخورده. دیتاپلتفرم فرض‌های مدل رو اصلاح می‌کنه، ولی رفتار مدل هم به‌مرور شکاف‌های تعریف‌های دیتاپلتفرم رو لو می‌ده. وقتی یه ایجنت مدام «customer» رو اشتباه می‌فهمه، این خودش یه سیگناله. نویسنده اسم این هم‌ترازی تدریجی رو می‌ذاره هم‌گرایی آنتولوژیک (Ontological Convergence). نکتهٔ جالبش اینه که اینجا سردرگمی AI به جای اینکه یه باگ باشه، تبدیل می‌شه به روشی برای کشف اینکه کدوم مفاهیم واقعاً نیاز به تعریف رسمی دارن.

نتیجهٔ اصلی مقاله همون چیزیه که نویسنده اسمش رو می‌ذاره اصل کمینهٔ آنتولوژی (Minimal Ontology Principle): فقط تفاوت (delta) رو تعریف کن. آنتولوژی نهفته بیشتر کار رو انجام داده، پس آنتولوژی ساختاری فقط باید به اندازهٔ همون تفاوت‌های بین کاربرد سازمان تو و فرض مدل بزرگ باشه. نویسنده توصیه می‌کنه روی لایهٔ معنایی به‌عنوان رابط اصلی سرمایه‌گذاری کنی، توضیح‌های زبان طبیعی متریک‌ها رو طوری بنویسی که انگار داری برای مدل می‌نویسی، حلقهٔ بازخورد رو عمداً بسازی، و وسوسهٔ فاین‌تیون کردن رو کنار بذاری چون جای ذخیرهٔ تعریف‌های کسب‌وکارت وزن‌های مدل نیست، لایهٔ معناییته.

نکات کلیدی:

• چالش اصلی، ساختن آنتولوژی کامل نیست، بلکه پیدا کردن و اصلاح کردن نقاط تفاوت با فرض مدله
• آنتولوژی نهفته: نقشهٔ ضمنی مفاهیم داخل مدل زبانی که از متن استنتاج شده
• آنتولوژی ساختاری: تعریف صریح و دستی مفاهیم توی لایهٔ معنایی دیتاپلتفرم
• اصلاح از طریق تزریق زمینه انجام می‌شه، نه فاین‌تیون که گرون و برگشت‌ناپذیره
• اصل کمینهٔ آنتولوژی: فقط delta بین معنی سازمان و فرض مدل رو تعریف کن