‏آنتولوژی دقیقاً چیه و چرا همه‌جا پیداش شده؟

به گفتهٔ نویسنده (Tim Hiebenthal)، آنتولوژی از دههٔ ۸۰-۹۰ و جماعت آکادمیکِ وب معنایی وجود داشته، ولی با انفجار LLMها دوباره سر و کله‌اش همه‌جا پیدا شده: پالانتیر، Microsoft Fabric (که اواخر ۲۰۲۵ آنتولوژی رو یه workload درجه‌یک کرد)، دیتابریکس با «Genie Ontology» (ژوئن ۲۰۲۶) و رویکرد OKF گوگل. حرف اصلی اینه که ساختاردهیِ اطلاعات داره به یه مزیت رقابتی تبدیل می‌شه.

تعریفِ کلاسیکِ Gruber از ۱۹۹۳ می‌گه آنتولوژی «مشخص‌کردنِ یه مفهوم‌پردازی»ه؛ ولی نسخهٔ کاربردی‌ترش سه بخش داره: رسمی (به زبانی نوشته می‌شه که ماشین بتونه روش استدلال کنه)، صریح (مستنده، نه ضمنی؛ کسی لازم نیست حدس بزنه «مشتری» یعنی چی) و مشترک (یه جامعه سرش توافق داره؛ چیزی که یه نفر تو انزوا بسازه مدله، نه آنتولوژی). زبان رسمی‌اش معمولاً OWL یا RDFS بوده.

نویسنده می‌گه چرا شبیه ERD به نظر می‌رسه: هم مدل داده و هم آنتولوژی موجودیت‌ها و روابطشونو توصیف می‌کنن، ولی هدفشون فرق داره. فرق عملی سه جاست: غنای روابط (آنتولوژی روابط نوع‌دار مثل جزء-کل، علیت و زمانی داره که فراتر از cardinality معنا دارن)، استنتاج (قاعده‌هایی که ماشین اعمال می‌کنه، مثلاً هر مشتری بدون شناسهٔ مالیاتی رو flag کنه) و زبان رسمی مثل OWL. البته با ابزارهای semantic layer مثل dbt و Cube این مرز محو می‌شه؛ DataHub قشنگ جمعش می‌کنه: semantic layer دربارهٔ «اندازه‌گیری»ه، آنتولوژی دربارهٔ «معنا».

یه نکتهٔ مهم فرقِ آنتولوژی و knowledge graphه. تشبیه ساده‌اش اینه: آنتولوژی مثل schemaی جدول‌های یه دیتابیسه و knowledge graph مثل رکوردهای همون جدول‌ها. مثلاً آنتولوژی می‌گه «مشتری‌ها قرارداد امضا می‌کنن» و knowledge graph می‌گه «شرکت Acme قرارداد شمارهٔ ۴۸۱۵ رو امضا کرد». می‌شه آنتولوژی بدون گراف داشت (فقط schema)، ولی گراف بدون حداقلی از schema نمی‌شه.

نویسنده پیاده‌سازی‌ها رو دسته‌بندی می‌کنه: مسیر رسمی/استانداردمحور (OWL با reasonerهایی مثل Pellet و HermiT)، شکل‌های ساده‌شده مثل taxonomy و SKOS بدون استنتاج، پایگاه‌های گرافی مثل Neo4j و Amazon Neptune، و آنتولوژی‌های بومیِ پلتفرم. تو این دسته، Fabric گراف و کوئری و حاکمیت رو مدیریت می‌کنه، Genie دیتابریکس خودکار از جدول‌ها استخراج می‌کنه با وزن‌دهیِ شبه‌PageRank، و پالانتیر از همه جلوتره چون آنتولوژی رو هستهٔ معماری با action و write-back و مدل امنیتی خودش می‌دونه.

بزرگ‌ترین اختلاف سرِ اینه که کی آنتولوژی رو می‌سازه. Inmon و Talisman قاطعن که ساختن آنتولوژی «یه کار انسانیه، نه مکانیکی» و هزاران تصمیم دربارهٔ اینکه چی مهمه می‌خواد. اون‌ور، Genie دیتابریکس کاملاً خودکاره و ادعای ۸۴.۵٪ دقت در تلاش اول (در برابر ۵۲.۴٪) داره؛ ولی نویسنده به این بنچمارک‌های خوداظهاری شک داره و نگرانه که مدل از «نحوهٔ کوئری‌زدنِ فعلیِ آدم‌ها» یاد بگیره، نه از معنای واقعی داده. راه‌حل عملی احتمالاً لایه‌ایه: با اتوماسیون اسکلت رو بساز، بعد مفهوم‌های پرخطر رو دستی curate کن.

نویسنده در نهایت می‌گه رو تعریف گیر نکنین: همون‌طور که ۳۰ سال پیش سرِ Inmon در برابر Kimball تو data warehouse دعوا بود و امروز دیگه نیست، الان هم تو «وسطِ شلوغِ» ماجراییم. هرچی صداش کنین مهم نیست؛ چون agentهای هوش مصنوعی دارن به مصرف‌کنندهٔ اصلی داده تبدیل می‌شن، به یه لایه‌ای نیاز داریم که صریح بگه چیزها چه معنایی دارن، چطور به هم ربط دارن و چه قاعده‌هایی حاکمشونه.

نکات کلیدی:

• آنتولوژی = توصیف رسمی، صریح و مشترک از موجودیت‌ها، روابط و اسم‌ها تو یه حوزه
• فرقش با مدل داده: روابط نوع‌دار، استنتاج و زبان رسمی مثل OWL
• آنتولوژی مثل schema، knowledge graph مثل رکوردهای همون جدوله
• دعوای curated (انسانی) در برابر automated (دیتابریکس Genie)؛ پاسخ عملی لایه‌ایه
• پالانتیر، Fabric، دیتابریکس و گوگل هرکدوم یه جور پیاده‌اش کردن