Ha az entitásleképezés ismerősnek tűnik, az azért van, mert már futtattad ezt a játékot. Ez az a tudásgrafikon-beszélgetés, amelyet 2021-ben folytattál egy 2026-os ruhában. A szókincs szinte érintetlenül vándorolt: entitások, nem karakterláncok; egyértelműsítés; ugyanaz, mint; csomópontok közötti kapcsolatok; táplálja a szerkezetet; és a gép megért téged. Vegyen elő egy négy évvel ezelőtti klienscsomagot, cserélje le a „Knowledge Graph”-ot „a mesterséges intelligenciára”, és a legtöbb diák túléli a költözést. Ezért terjed a kifejezés, és ez az oka annak, hogy lassíts, mielőtt megvásárolnád. A tömörített változat, ha nem olvassa tovább: az entitásleképezés valóban működik a Google-on, ahol van egy tényleges grafikon, amelyet betáplálni kell, és szinte nem működik magán a nyelvi modellen, ahol nincs betáplálandó grafikon, és soha nem is volt. Ez két különböző rendszer, két különböző szabállyal, és az iparág egyetlen taktikaként adja el ezeket. Ezek egymástól való elkülönítése fontos a rendszerek és az LLM-ek számára.
A Google-on van némi érték
A Tudásgráf egy valódi, kurált objektum (nem tévesztendő össze mondjuk a tudásgráfjával, amely az entitások és kapcsolatok saját, karbantartott gráfja). A Google 2012-ben indította útjára a „dolgok, nem karakterláncok” szalagcím alatt, és az évek óta azzá a réteggé vált, amely eldönti, kiről és miről szól a lekérdezés, mielőtt egyetlen eredmény betöltődik. Ön táplálja, de csak közvetetten, strukturált adatokon, következetes, harmadik féltől származó megerősítésen keresztül, és talán egy tiszta Wikidata-bejegyzésen keresztül, amellyel független források egyetértenek. Ön nem tölt ki egy űrlapot, és nem adja be magát. Elegendő megállapodást köt össze a nyílt weben ahhoz, hogy a Google rendszerei arra a következtetésre juthassanak, hogy Ön egy különálló, valódi dolog, amelyhez érdemes egy csomópontot létrehozni. Az önbevallás önmagában azért nem működik, mert a grafikon egy bizalmi gép, nem pedig egy beküldési doboz. A sémád kimondja, hogy minek vallod magad; a csomópont megépül és megbízhatóvá válik, ha elegendő független, hiteles forrás mondja vissza ugyanezt a Google-nek. Ezért van az, hogy egy jól hivatkozott Wikidata-elem és egy maroknyi hiteles említés nagyobb súllyal bír, mint egy hibátlanul megjelölt oldal, amely mindig csak önmagáról beszél, és ez az oka annak, hogy a Google az elmúlt években arra fordította a grafikont, hogy a magabiztossággal alátámasztható entitások felé feszítse a grafikont, nem pedig azokra, amelyek pusztán érvényesülnek. És mivel a Google mesterséges intelligencia válaszai az entitásokat ugyanahhoz a grafikonhoz viszonyítják, mielőtt létrehoznák őket, a munka most már a 10 kék linken túlnyúlik az AI felületekre is. A Google-on az entitásleképezésnek van egy célpontja, a célnak pedig egy levelezési címe. Ez az a rész, amelyen a támogató tömeg igazat kap, de van még ennél is több.
Aztán a célrendszer megváltozik, és senki sem jelenti be
A 2021-ben folytatott beszélgetés egy diszkrét, megtekinthető, táplálható tárgyat feltételezett. Egy csomópont, amelyet felhúzhat egy panelen, és kijavíthatja, ha rossz. Láthatod a saját entitásodat, beadhattad a javítást, és láthattad, hogyan változik, és az egész gyakorlat egy olyan felület körül nőtt fel, amelyet valóban megfigyelhettél. Az entitásleképezés megtartja ennek a taktikának minden szavát, és csendesen átirányítja egy olyan rendszerre, amelyik nem rendelkezik ezen tulajdonságok egyikével sem. Ez az újrajelölés a kéz ravaszsága, és pontosan azért működik, mert a szavak nem változtak. Az egyik feltevés bejelentés nélkül lépi át a határt: hogy a túloldalon lévő dolog egyáltalán ehető.
A nyelvi modellnek nincs csomópontja, amelyet beadhatna
Kezdje a kifejezéssel, mert az egész zűrzavar benne él. Paraméteres memória az a tudás, amelyet a modell súlyaiba süllyeszt, egyszer megtanult az edzés során, és különbözik attól, amit élőben néz, amikor válaszol neked. A parametrikus oldalon nincs nyilvántartás a márkáról, amelyet megnyithat és szerkeszthet. Nincs sor, nincs csomópont, nincs javítandó panel. Egy diffúz statisztikai minta van elkenve több milliárd paraméteren, és ez azért érkezett oda, mert a modell skálán olvasta a korpuszt, nem pedig azért, mert olvasta a jelölésedet. Az értelmezhetőséget kutató kutatók fedezés nélkül állítják: ezekben a modellekben a ténybeli tudás parametrikus és felbukkanó, egyetlen paraméter sem tart fenn egy adott tényt, és a visszahívás a hálózaton keresztüli elosztott aktiválásból ered. A mechanizmus pontos megfogalmazását megérdemli, mert a pontatlanságban bújik meg a taktika. A képzés során a modell több millió kontextusban látja a márkáját, és úgy állítja be súlyait, hogy kódolja az Ön leírásának statisztikai alakját: mely entitások mellett jelenik meg, mely kategóriákba sorolható, mely állítások ismétlődnek körülötted. Ebben a folyamatban semmi sem elemzi a sémablokkot, és nem tartja tiszteletben a sameAs hivatkozást. Hangerőben olvassa a nyelvet, és ami megmarad, az a konszenzus, nem a kód. Az Ön oldala egy kontextus a milliárdok között, és hacsak máshol nem visszhangzik és megismétlődik, strukturált deklarációi szinte semmit sem mérnek a modell által felvett minden más tömegéhez. Addig adhat hozzá sameAs hivatkozásokat, amíg az egész oldal kék színűvé nem válik, és a mintát egy hüvelyknyire sem mozdítja el, mert a mintát soha nem tanulta meg az Ön oldaláról. Abból tanult, hogy milyen gyakran, milyen következetesen és milyen hitelesen beszél rólad az internet többi része. A kellemetlen következmény az, hogy a parametrikus oldal legnagyobb tőkeáttételű entitásmunkája alig érinti a webhelyet. Idézik azokon a helyeken, ahol a modell már megbízik, olyan említéseket szerez, amelyeket nem irányít, és olyan emberek írják le, akik nem te vagy. Ez a munka lassabb, nehezebb és sokkal tartósabb, mint egy séma-audit, éppen ezért a rendezett helyszíni verzió túladja azt.
Rosszabb lesz a taktika. A modell saját térképe nem térkép
Az érvelés kedvéért add meg, hogy valahogy elérd a parametrikus oldalt, és írj rá. Még mindig nem tükrözheti rá a diagramját, mert a tükrözni kívánt dolog nem diagramszerű. Érdemes megjegyezni, hogy valójában milyen entitásleképezés van alatta. Minden strukturált adatállítás hármas: alany, állítmány és objektum. Az Ön márkája, eladja ezt a terméket. Ez a szerző írta, azt a cikket. Ez a hármas a szemantikai háló atomi egysége, és ez az az egység, amelynek előállítására az egész entitásod létezik. Ez az az egység is, amelyet a nyelvi modell nem tárol. Amikor a kutatók nyomon követik, hol helyezkedik el ez a tudás fizikailag, azt találják, hogy az entitástudás és a relációs tudás a modell különböző részein él, és nem illeszkedik egymáshoz. Módosítsa az entitást egy tényben, és változtassa meg a kapcsolatot ugyanabban a tényben, és a modell nem reagál egyenértékűen, még akkor sem, ha a hármas két felcserélhető helyként kezeli őket. Tehát a tiszta alany-predikátum-objektum struktúrának, amelyet a séma kódol, annak a struktúrának, amelyre a Google gráfja készült, egyáltalán nincs hű párja a modellen belül. A csomópontok és élek kép-entitás-leképezés rajzolása az emberi kényelem, hasznos a tervezéshez, és haszontalan a modell belső tulajdonságainak leírásaként. Nincs benne rendezett grafikon, amely arra várna, hogy igazodjon, ami miatt a leszállítandó egy olyan terület térképe lesz, amelyet soha nem szerveztek térképként. Ez nem egy hangolási probléma, amelyet jobb jelöléssel old meg. Ez kategóriaeltérés, és semmilyen séma nem zárja le. Gyakorlatilag ez azt jelenti, hogy abba kell hagynia a paraméteres munka osztályozását az entitásjelölés teljes kinézete szerint, mivel a térkép tisztasága semmit sem árul el arról, hogy a modell birtokolja-e a területet.
Képzeljen el egy közepes méretű kereskedőt, aki mindent megtett, amit a forgatókönyv kér. Teljes szervezeti séma, ugyanaz, mint minden profilra, tiszta belső entitásgráf az egész webhelyen. Kérdezze meg a ChatGPT-t a kategóriájáról, ha a keresés engedélyezve van, és megjelenik a szállító, mert a lekérés megtalálta azokat a jól strukturált oldalakat, és tisztán eltávolította őket. Tegye fel az azonos kérdést kikapcsolt keresés mellett, és az eladó egyszerűen nincs jelen, mert a modell tréningje soha nem látott annyit a világból, hogy leírja a kódoláshoz. Ugyanaz a cég, ugyanaz a jelölés, ugyanaz a platform, ellentétes eredmények, és az egyetlen dolog, ami változott, az az volt, hogy a rendszer elolvashatja-e az oldalt. A Google saját felületei a harmadik helyen állnak, a gyártó által mindvégig táplált grafikonhoz viszonyítva, ezért a munka ezen oldala továbbra is nyerőnek tűnik.
Itt van az a rész, amely lefordítja
Ne hagyd, hogy mindez „semmi számít”-ba omoljon, mert ez túlzott reakció. Az AI-keresés nem pusztán parametrikus, és a visszakeresés óriási munkát végez. Segít a felületek elválasztásában, mivel eltérően viselkednek. Amikor egy modell emlékezetből válaszol keresés nélkül, akkor a paraméteres oldalt találja el, és az oldalon semmi sem éri el. Amikor a Perplexity, a Google mesterséges intelligencia válaszol, vagy egy keresési módban lévő modell lekéri az élő oldalakat, mielőtt válaszolna, Ön a visszakeresési oldalra bukkan, ahol a tiszta szerkezet és az egyértelmű entitásjelzések valóban segítenek abban, hogy levonják és idézzék. A legtöbb valós válasz most ötvözi a kettőt, paraméteres tudást használva a kérdés keretezésére, a visszakeresést pedig a konkrétumok kitöltésére, és pontosan ez a keverék az oka annak, hogy a taktika úgy érzi, hogy működik: láthatóan mozgatja a visszakereső felét, miközben semmit sem tesz a paraméteres felével, amelyet nem nézhet meg. Segíteni egy retrievernek megtalálni és elemezni nem ugyanaz, mint a modell, aki megtanult téged. Az egyik egy olyan ajtó, amelyet ebben a negyedben egyértelművé és szerkezetileg nyithatsz. A másik abban a korpuszban áll, amelynek felépítése évekig beszélt, és évekbe fog telni, hogy megváltozzon. Az entitásleképezés megbízhatóan megveszi Önnek az elsőt, és csendesen eladják, mint a másodikat. A strukturált tartalom lekérést és tiszta kinyerést biztosít; a tágabb interneten átívelő következetes megerősítés révén kiérdemelheti, hogy alátámassza magát. Hiba, ha ezeket egyetlen tételként kezeljük.
Ez felveti azt a nyilvánvaló kérdést, hogy honnan tudhatja valaha, hogy melyik rendszer mozog valójában. Nem nyithatod meg a parametrikus oldalt és nem vizsgálhatod meg, pontosan ez az, ami az ígéretet megkérdőjelezhetetlenné teszi. Az egyetlen őszinte válasz az, hogy ne bízz a taktika történetében, és közvetlenül figyeld a kimeneteket: nyomon követheted, hogy megjelensz-e, amikor a modell emlékezetből válaszol, szemben azzal, amikor élő lekérésből válaszol ugyanazokra a kérdésekre, idővel. Ha jelenléte csak a visszakeresés által vezérelt válaszokra emelkedik, miközben a csak memóriát használó válaszok laposak maradnak, akkor valós időben figyeli a felosztást, és azt figyeli, hogy az entitásleképezés pontosan a fele annak, amit eladtak. A mérés az a döntetlen, amit az értékesítési pálya nem tud túlélni, ez az oka annak, hogy ragaszkodjunk ehhez.
A konfláció a termék
Látni fogja, hogy az entitásadatai most a ChatGPT-t és a Claude-ot képezik. Nem. Ezeket a modelleket nem a Google szabadalmaztatott grafikonjára oktatják, és az egyetlen ok, amiért az állítás egy pillantással átmegy, az az, hogy a Gemini használhatja a Google saját grafikonját, amely lehetővé teszi, hogy egy Google-specifikus igazság univerzális jelmezt kölcsönözzen. A második mondat finomabb és gyakoribb. Egy szállító megmutatja, hogy a gazdag sémával rendelkező oldalakat gyakrabban idézik, és ezt az ok-okozati összefüggés bizonyítékának nevezi. De ez a korreláció pontosan az, amit elvárhatnánk egy teljesen más okból: a kellően gondosan megépített oldalak a teljes jelöléshez általában ugyanazok az oldalak, amelyek jó forrásból származnak, jól vannak linkelve és széles körben hivatkoznak rájuk, és ez az, ami tulajdonképpen kiérdemli az idézetet. A séma végigfutott. Nem hajtott. A séma továbbra is az marad, ami mindig is volt, az infrastruktúra, amely segít a gépeknek egyértelművé tenni Önt, nem pedig egy idézetet húzó kar, és bárki, aki összefüggést jelent a megjelölt oldalak és az idézetek között, a kimeneteket figyeli, nem pedig egy mechanizmust olvas. Tehát vigyen fel egy kérdést minden hallható hangra. Kérje meg az entitásleképezést értékesítő személyt, hogy nevezze meg azt a mechanizmust, amellyel a helyszíni grafikonja megváltoztatja a modell által a képzés során tanultakat. Ha a válasz az, hogy a séma segít a mesterséges intelligencia megértésében, akkor Ön egy mechanizmusnak öltözött megfigyelést kapott, és az árcédula egy másik termékhez tartozik. Az írástudás, amely elválasztja a nyertes gyakorlókat a tavalyi játékot futtatóktól, a következő: tudja, melyik rendszert táplálja valójában, és ne fizessen grafikonárakat a parametrikus ígéretekért.
Ha jelenleg entitásmunkát futtat, és azt figyeli, hogy a Google-jelenléte megmozgat, miközben az LLM saját válaszai a helyükön maradnak, akkor ez a hiányosság a lényeg, és szeretném hallani, hogyan jelenik meg az Ön számára. Hagyjon megjegyzést alább.
Ez a bejegyzés eredetileg a Duane Forrester Decodes oldalon jelent meg.
