Đồ thị tri thức (knowledge graph) là cách tổ chức dữ liệu thành mạng lưới gồm các thực thể (khách hàng, sản phẩm, nhân viên, hợp đồng) và các quan hệ có tên giữa chúng (mua, cung cấp, phụ trách, thay thế cho). Mỗi mẩu tri thức được lưu dạng bộ ba “chủ thể – quan hệ – đối tượng”, ví dụ “Công ty A – mua – máy in X”. Nhờ vậy máy có thể đi theo các quan hệ để trả lời câu hỏi nhiều bước như “khách nào đang dùng linh kiện của nhà cung cấp sắp ngừng hàng”. Knowledge graph thường được kết hợp với LLM và RAG để AI trả lời chính xác, có căn cứ hơn.
Đồ thị tri thức (knowledge graph) là gì
Knowledge graph là một mô hình dữ liệu trong đó thông tin được biểu diễn bằng nút và cạnh. Nút là thực thể: một người, một công ty, một sản phẩm, một văn bản. Cạnh là quan hệ có hướng và có tên giữa hai nút. Mỗi nút còn có thuộc tính như tên, mã, ngày tạo.
Đơn vị cơ bản là bộ ba (triple):
- “Máy in HP-01 – thuộc – Phòng Kế toán”
- “Phòng Kế toán – do – chị Lan – phụ trách”
- “Máy in HP-01 – dùng – mực loại M12”
Từ ba bộ ba đơn giản trên, hệ thống tự suy ra được: khi mực M12 hết hàng, cần báo cho chị Lan. Đây là sức mạnh của đồ thị: tri thức nằm ở các mối nối, không chỉ ở từng dòng dữ liệu riêng lẻ.
Khái niệm này trở nên phổ biến khi các công cụ tìm kiếm lớn dùng knowledge graph để hiển thị hộp thông tin về người, địa điểm, tổ chức. Wikidata là một ví dụ knowledge graph mở, ai cũng truy cập được. Trong doanh nghiệp, knowledge graph thường nhỏ hơn nhiều nhưng tập trung vào các thực thể quan trọng với hoạt động kinh doanh.
Knowledge graph khác cơ sở dữ liệu thông thường và vector database thế nào
Doanh nghiệp thường đã có dữ liệu trong Excel, phần mềm kế toán, CRM. Vậy đồ thị tri thức thêm được gì? Câu trả lời nằm ở loại câu hỏi bạn cần trả lời. Bảng tính trả lời tốt câu hỏi dạng “liệt kê, cộng tổng”. Vector database trả lời tốt câu hỏi “đoạn văn nào có nghĩa gần giống”. Knowledge graph trả lời tốt câu hỏi “cái này liên quan đến cái kia qua những đường nào”.
| Tiêu chí | Cơ sở dữ liệu quan hệ | Vector database | Knowledge graph |
|---|---|---|---|
| Đơn vị lưu | Dòng trong bảng | Vector của đoạn văn | Nút và quan hệ |
| Mạnh ở | Tổng hợp, báo cáo số liệu | Tìm theo nghĩa gần đúng | Truy vết quan hệ nhiều bước |
| Ví dụ câu hỏi | Doanh thu quý 3 theo tỉnh | Chính sách đổi trả nói gì về hàng lỗi | Khách nào bị ảnh hưởng khi nhà cung cấp X chậm giao |
| Điểm yếu | Truy vấn nối nhiều bảng phức tạp | Không hiểu quan hệ chính xác | Tốn công thiết kế và duy trì |
| Độ khó với SME | Thấp | Trung bình | Cao hơn |
Ví dụ knowledge graph trong doanh nghiệp vừa và nhỏ
Knowledge graph không chỉ dành cho tập đoàn. Một số tình huống ở quy mô 20–100 người có thể hưởng lợi:
Công ty dịch vụ IT quản lý thiết bị khách hàng
Nút gồm khách hàng, văn phòng, máy chủ, máy trạm, phần mềm, giấy phép, kỹ thuật viên. Quan hệ: “đặt tại”, “cài”, “hết hạn ngày”, “được bảo trì bởi”. Khi một bản cập nhật phần mềm gây lỗi, kỹ thuật viên truy ra ngay khách nào, máy nào bị ảnh hưởng.
Nhà phân phối linh kiện
Nút gồm sản phẩm, mã thay thế, nhà cung cấp, khách hàng, đơn hàng. Quan hệ “tương thích với”, “thay thế cho” giúp nhân viên bán hàng gợi ý sản phẩm thay khi hết hàng, điều mà bảng tính phẳng khó thể hiện.
Công ty có nhiều quy trình, văn bản nội bộ
Nút là quy trình, biểu mẫu, phòng ban, vai trò, quy định. Quan hệ “áp dụng cho”, “thay thế văn bản”, “cần phê duyệt bởi”. Khi một quy định cũ bị thay, AI biết văn bản nào đã hết hiệu lực và không trích dẫn nhầm.
Điểm chung là những lĩnh vực có nhiều mối quan hệ chéo, thay đổi thường xuyên và việc trả lời sai gây hậu quả.
Knowledge graph giúp AI và LLM trả lời đúng hơn như thế nào
LLM rất giỏi diễn đạt nhưng hay bịa khi thiếu dữ kiện. RAG thông thường lấy vài đoạn văn gần nghĩa đưa vào ngữ cảnh, nhưng gặp khó với câu hỏi cần ghép thông tin từ nhiều tài liệu. Knowledge graph bổ sung ở ba điểm:
- Truy xuất có cấu trúc: hệ thống truy vấn đồ thị để lấy đúng thực thể và quan hệ liên quan, rồi đưa cho LLM diễn đạt.
- Câu hỏi nhiều bước: “Hợp đồng nào của khách đang dùng gói bảo trì do anh Minh phụ trách sẽ hết hạn trong tháng tới” cần đi qua nhiều quan hệ, đồ thị xử lý tự nhiên.
- Giải thích được: AI có thể chỉ ra đường đi trong đồ thị làm căn cứ, giúp người kiểm tra dễ hơn.
LLM cũng giúp xây knowledge graph
Chiều ngược lại cũng hữu ích: LLM có thể đọc hợp đồng, email, biên bản và trích ra bộ ba thực thể – quan hệ. Cách tiếp cận GraphRAG dựa trên ý tưởng này: dùng LLM tự dựng đồ thị từ tài liệu, rồi truy vấn đồ thị để trả lời câu hỏi tổng quát. Tuy nhiên, bộ ba do LLM trích ra có thể sai, cần quy tắc kiểm tra trước khi coi là dữ liệu chuẩn.
Các bước xây dựng knowledge graph đầu tiên
Chuẩn bị
Chọn một câu hỏi kinh doanh cụ thể mà hiện tại trả lời mất nhiều thời gian. Xác định nguồn dữ liệu sẵn có: file Excel, phần mềm quản lý, thư mục tài liệu.
- Thiết kế lược đồ (ontology) tối giản: liệt kê 5–10 loại thực thể và 5–15 loại quan hệ cần thiết. Đừng cố mô tả cả công ty ngay từ đầu.
- Chuẩn hóa định danh: mỗi thực thể cần một mã duy nhất. “Cty ABC”, “ABC Co.” và “Công ty TNHH ABC” phải quy về một nút.
- Nạp dữ liệu có cấu trúc trước: chuyển danh sách khách hàng, sản phẩm, hợp đồng từ bảng sang nút và quan hệ.
- Bổ sung từ văn bản: dùng LLM trích quan hệ từ tài liệu, đánh dấu nguồn và mức tin cậy, cho người duyệt mẫu.
- Viết truy vấn mẫu: thử trả lời câu hỏi kinh doanh đã chọn.
- Kết nối với giao diện hỏi đáp: cho LLM sinh truy vấn hoặc gọi công cụ truy vấn đồ thị, rồi diễn đạt kết quả.
- Lên lịch cập nhật: đồ thị cũ còn nguy hiểm hơn không có đồ thị.
Công cụ và chuẩn phổ biến cho knowledge graph
Tại thời điểm viết, có hai trường phái chính, mỗi trường phái có hệ sinh thái riêng. Hãy kiểm tra tài liệu chính thức để biết phiên bản và giấy phép hiện hành.
- Labeled property graph: nút và quan hệ đều có thuộc tính, truy vấn bằng các ngôn ngữ như Cypher. Neo4j là cơ sở dữ liệu đồ thị phổ biến của trường phái này, có bản cộng đồng và bản thương mại. Cách tiếp cận này thường dễ học với đội phát triển ứng dụng.
- RDF và web ngữ nghĩa: chuẩn của W3C, dữ liệu là bộ ba, truy vấn bằng SPARQL, lược đồ mô tả bằng RDFS hoặc OWL. Mạnh về chuẩn hóa, liên kết dữ liệu giữa tổ chức, nhưng đường cong học tập dốc hơn.
| Nhu cầu | Hướng phù hợp | Ghi chú |
|---|---|---|
| Ứng dụng nội bộ, đội nhỏ | Property graph | Bắt đầu nhanh, nhiều ví dụ |
| Trao đổi dữ liệu với đối tác theo chuẩn | RDF, SPARQL | Cần người hiểu ontology |
| Thử nghiệm GraphRAG | Property graph hoặc thư viện có sẵn | Thường đi kèm khung LLM |
| Chỉ vài trăm quan hệ đơn giản | Bảng tính hoặc cơ sở dữ liệu quan hệ | Chưa cần đồ thị riêng |
Khi nào chưa nên làm knowledge graph và lỗi thường gặp
Knowledge graph là khoản đầu tư về thiết kế và duy trì. Chưa nên làm khi:
- Câu hỏi chính của bạn là thống kê số liệu, đã có báo cáo trong phần mềm.
- Dữ liệu gốc còn lộn xộn, trùng lặp nặng, chưa có người chịu trách nhiệm.
- RAG đơn giản trên tài liệu đã trả lời đủ tốt nhu cầu hiện tại.
- Không ai trong công ty có thời gian cập nhật đồ thị định kỳ.
Lỗi thường gặp
- Ontology quá tham: thiết kế hàng trăm loại quan hệ, không ai dùng hết, dữ liệu rỗng.
- Không xử lý trùng thực thể: cùng một khách xuất hiện nhiều nút, truy vấn ra kết quả sai.
- Tin tuyệt đối vào trích xuất tự động: quan hệ do LLM đoán bị đưa vào như sự thật.
- Quên nguồn gốc: không lưu bộ ba lấy từ tài liệu nào, ngày nào, khó kiểm tra khi có tranh cãi.
- Không có câu hỏi kinh doanh cụ thể: xây đồ thị vì thấy hay, không đo được lợi ích.
Cách an toàn là bắt đầu nhỏ quanh một quy trình, đo thời gian trả lời trước và sau, rồi mới mở rộng.
Trước khi chọn phần mềm đồ thị, hãy vẽ tay lược đồ lên bảng trắng với người làm nghiệp vụ. Nếu sau 30 phút mọi người vẫn tranh cãi “khách hàng” nghĩa là công ty hay người liên hệ, đó là việc cần giải quyết trước, không phần mềm nào làm thay được.
Muốn đưa AI vào công việc của doanh nghiệp? PCTech tư vấn, đánh giá mức sẵn sàng AI và triển khai chatbot, AI agent, tự động hóa cho doanh nghiệp.
10 câu hỏi, 2 phút, nhận mức độ và việc nên làm tiếp theo. Dùng thử ngay
Câu hỏi thường gặp
Knowledge graph và GraphRAG khác nhau thế nào?
Knowledge graph là cách lưu tri thức dạng nút và quan hệ. GraphRAG là kỹ thuật dùng đồ thị, thường do LLM dựng từ tài liệu, để truy xuất ngữ cảnh cho AI trả lời.
Doanh nghiệp nhỏ có cần knowledge graph không?
Phần lớn chưa cần ngay. Nên cân nhắc khi bạn thường xuyên phải trả lời câu hỏi chéo nhiều nguồn và RAG thông thường không đáp ứng được.
Có thể dùng Excel làm knowledge graph không?
Có thể lưu bộ ba trong ba cột Excel cho thử nghiệm nhỏ. Khi cần truy vấn nhiều bước hoặc dữ liệu lớn, nên chuyển sang cơ sở dữ liệu đồ thị.
Ontology là gì trong knowledge graph?
Ontology là bản thiết kế quy định có những loại thực thể nào, quan hệ nào và quy tắc giữa chúng. Nó giống như bộ quy ước chung để mọi người nhập dữ liệu thống nhất.
LLM có thay thế được knowledge graph không?
Không hoàn toàn. LLM có kiến thức chung nhưng không biết dữ liệu nội bộ cập nhật của bạn và có thể bịa. Knowledge graph cung cấp sự thật có cấu trúc để LLM dựa vào.
Xây knowledge graph mất bao lâu?
Một pilot quanh một câu hỏi kinh doanh có thể làm trong vài tuần nếu dữ liệu gốc sạch. Thời gian thực tế phụ thuộc nhiều vào chất lượng dữ liệu và người duyệt.
Bài viết liên quan
- GraphRAG là gì? RAG kết hợp đồ thị tri thức cho câu hỏi phức tạp
- RAG là gì? Cho AI đọc tài liệu nội bộ
- Vector database là gì? Nền tảng cho AI đọc tài liệu nội bộ
- Tìm kiếm ngữ nghĩa (semantic search) là gì? Ứng dụng cho doanh nghiệp
- Xây kho tri thức (knowledge base) cho AI trả lời nội bộ
- Embedding là gì? Cách AI hiểu nghĩa của văn bản
- Từ điển thuật ngữ AI cho người làm doanh nghiệp (A–Z)
