---
layout: default
title: "יסודות ארכיטקטורת גרף ידע"
parent: "Hebrew (Beta)"
---

# יסודות ארכיטקטורת גרף ידע

> **Beta Translation:** This document was translated via Machine Learning and as such may not be 100% accurate. All non-English languages are currently classified as Beta.

## יסוד 1: מודל גרף נושא-תכונה-אובייקט (SPO)
**החלטה**: לאמץ את מודל SPO/RDF כמודל הייצוג הבסיסי של ידע.

**הצדקה**:
מספק גמישות מרבית ותאימות עם טכנולוגיות גרף קיימות.
מאפשר המרה חלקה לשפות שאילתות גרף אחרות (לדוגמה, SPO → Cypher, אך לא להיפך).
יוצר בסיס ש"פותח הרבה" יכולות נלוות.
תומך הן בקשרים בין צמתים (SPO) והן בקשרים בין צמתים לערכים (RDF).

**יישום**:
מבנה נתונים מרכזי: `node → edge → {node | literal}`
שמירה על תאימות לתקני RDF תוך תמיכה בפעולות SPO מורחבות.

## יסוד 2: שילוב גרף ידע מותאם למודלי שפה גדולים (LLM)
**החלטה**: אופטימיזציה של מבנה ותפעול גרף ידע לאינטראקציה עם LLM.

**הצדקה**:
מקרה שימוש עיקרי כולל LLM באינטראקציה עם גרפי ידע.
בחירות טכנולוגיות גרף חייבות לתעדף תאימות ל-LLM על פני שיקולים אחרים.
מאפשר זרימות עבודה של עיבוד שפה טבעית המנצלות ידע מובנה.

**יישום**:
תכנון סכימות גרף ש-LLM יכולים להסיק מהן בצורה יעילה.
אופטימיזציה לדפוסי אינטראקציה נפוצים של LLM.

## יסוד 3: ניווט גרף מבוסס הטבעות (Embeddings)
**החלטה**: יישום מיפוי ישיר משאילתות בשפה טבעית לצמתים בגרף באמצעות הטבעות.

**הצדקה**:
מאפשר את הנתיב הפשוט ביותר משאילת NLP לניווט בגרף.
נמנע משלבי יצירת שאילתות ביניים מורכבים.
מספק יכולות חיפוש סמנטיות יעילות בתוך מבנה הגרף.

**יישום**:
`NLP Query → Graph Embeddings → Graph Nodes`
שמירה על ייצוגי הטבעות עבור כל ישויות הגרף.
תמיכה בהתאמת דמיון סמנטי ישירה לפתרון שאילתות.

## יסוד 4: פתרון ישויות מבוזר עם מזהים דטרמיניסטיים
**החלטה**: תמיכה בחילוץ ידע מקבילי עם זיהוי ישויות דטרמיניסטי (כלל 80%).

**הצדקה**:
**אידיאלי**: חילוץ בתהליך יחיד עם נראות של מצב מלא מאפשר פתרון ישויות מושלם.
**מציאות**: דרישות סקיילביליות מחייבות יכולות עיבוד מקבילי.
**פשרה**: תכנון לזיהוי ישויות דטרמיניסטי בכל תהליכים מבוזרים.

**יישום**:
פיתוח מנגנונים ליצירת מזהים עקביים וייחודיים בכל חולצי הידע.
אותה ישות המוזכרת בתהליכים שונים חייבת להתפרש לאותו מזהה.
יש להכיר בכך ש~20% מהמקרים המיוחדים עשויים לדרוש מודלי עיבוד חלופיים.
תכנון מנגנוני ברירת מחדל עבור תרחישי פתרון ישויות מורכבים.

## יסוד 5: ארכיטקטורה מונעת אירועים עם פרסום-מנוי
**החלטה**: יישום מערכת הודעות מבוססת פרסום-מנוי לתיאום מערכות.

**הצדקה**:
מאפשר צימוד רופף בין רכיבי חילוץ, אחסון ושאילתות ידע.
תומך בעדכונים והתראות בזמן אמת ברחבי המערכת.
מקל על זרימות עבודה מבוזרות וניתנות להרחבה.

**יישום**:
תיאום מונחה הודעות בין רכיבי מערכת.
זרמי אירועים לעדכוני ידע, השלמת חילוץ ושליחת תוצאות שאילתות.

## יסוד 6: תקשורת סוכנים חוזרת
**החלטה**: תמיכה בפעולות פרסום-מנוי חוזרות לעיבוד מבוסס סוכנים.

**הצדקה**:
מאפשר זרימות עבודה מורכבות של סוכנים שבהם סוכנים יכולים להפעיל ולהגיב זה לזה.
תומך בצינורות עיבוד ידע מורכבים, רב-שלביים.
מאפשר דפוסי עיבוד רקורסיביים ואיטרטיביים.

**יישום**:
מערכת הפרסום-מנוי חייבת לטפל בשיחות חוזרות בצורה בטוחה.
מנגנוני תיאום סוכנים שמונעים לולאות אינסופיות.
תמיכה בתיאום זרימות עבודה של סוכנים.

## יסוד 7: שילוב עם חנות נתונים טבלאית
**החלטה**: הבטחת תאימות שאילתות למערכות אחסון טבלאיות.

**הצדקה**:
מאפשר שאילתות אנליטיות יעילות על פני מערכי ידע גדולים.
תומך במקרי שימוש של מודיעין עסקי ודיווח.
גשר בין ייצוג ידע מבוסס גרף לבין זרימות עבודה אנליטיות מסורתיות.

**יישום**:
שכבת תרגום שאילתות: שאילתות גרף → שאילתות טבלאיות.
אסטרטגיית אחסון היברידית התומכת הן בפעולות גרף והן בעומסי עבודה אנליטיים.
שמירה על ביצועי שאילתות בשני הפרדיגמות.

--

## סיכום עקרונות ארכיטקטורה

1. **גמישות ראשית**: מודל SPO/RDF מספק יכולת הסתגלות מרבית.
2. **אופטימיזציה ל-LLM**: כל החלטות התכנון מתייחסות לאינטראקציה עם LLM.
3. **ניווט יעיל**: שימוש בטבעות (Embeddings) לניווט יעיל בגרף.
4. **פתרון ישויות מבוזר**: תמיכה בחילוץ ידע מקבילי עם מזהים דטרמיניסטיים.
5. **תיאום מערכות**: שימוש במערכת הודעות מבוססת פרסום-מנוי.
6. **עיבוד סוכנים חוזר**: תמיכה בפעולות פרסום-מנוי חוזרות לעיבוד מבוסס סוכנים.
7. **תאימות שאילתות**: הבטחת תאימות שאילתות למערכות אחסון טבלאיות.

יסודות אלה מציבים ארכיטקטורת גרף ידע המאזנת בין דיוק תיאורטי לדרישות מדרגיות מעשיות, ומותאמת לאינטגרציה עם מודלי שפה גדולים (LLM) ולעיבוד מבוזר.