mirror of
https://github.com/trustgraph-ai/trustgraph.git
synced 2026-04-25 08:26:21 +02:00
8954fa3ad7
Native CLI i18n: The TrustGraph CLI has built-in translation support that dynamically loads language strings. You can test and use different languages by simply passing the --lang flag (e.g., --lang es for Spanish, --lang ru for Russian) or by configuring your environment's LANG variable. Automated Docs Translations: This PR introduces autonomously translated Markdown documentation into several target languages, including Spanish, Swahili, Portuguese, Turkish, Hindi, Hebrew, Arabic, Simplified Chinese, and Russian.
113 lines
6.8 KiB
Markdown
113 lines
6.8 KiB
Markdown
---
|
|
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.
|