R57-02: Knowledge Management & Agentic Intelligence

R57-02: Knowledge Management & Agentic Intelligence

Trong doanh nghiệp, dữ liệu và tài liệu chỉ thực sự tạo ra giá trị khi được tổ chức thành tri thức có căn cứ, truy xuất đúng ngữ cảnh và hỗ trợ ra quyết định. Khi AI chuyển từ trả lời câu hỏi sang thực hiện công việc thông qua các công cụ và hệ thống nghiệp vụ, yêu cầu về quản trị tri thức, phân quyền và kiểm soát hành động càng trở nên quan trọng.

R57-02: Knowledge Management & Agentic Intelligence là chương trình nghiên cứu ứng dụng thuộc OpenR&D57, tập trung vào hai hướng liên kết: xây dựng hệ thống quản trị tri thức có nguồn gốc rõ ràng và phát triển kiến trúc AI Agent có khả năng thực hiện nhiệm vụ trong phạm vi được kiểm soát.

Chương trình nghiên cứu các phương pháp Knowledge Graph, Hybrid RAG, Grounded AI và Agentic Workflow nhằm hỗ trợ tổ chức khai thác tri thức nội bộ, đánh giá độ tin cậy của câu trả lời và kiểm soát quá trình AI tương tác với hệ thống doanh nghiệp.

Mục tiêu không chỉ là giúp AI trả lời tốt hơn, mà còn xác định được câu trả lời dựa trên nguồn nào, người dùng có quyền truy cập hay không, hành động nào được phép thực hiện và ai chịu trách nhiệm đối với quyết định cuối cùng.

 

Mục Tiêu Nghiên Cứu

Chuẩn hóa tri thức tổ chức

Tổ chức tài liệu, dữ liệu, metadata, phiên bản và nguồn gốc để tri thức có thể được truy xuất và sử dụng nhất quán.

Truy xuất có dẫn chứng

Nghiên cứu Knowledge Graph và Hybrid RAG nhằm nâng cao khả năng tìm kiếm, kết nối thông tin và cung cấp căn cứ cho câu trả lời của AI.

Đánh giá độ tin cậy của AI

Đo lường chất lượng truy xuất, độ trung thực của câu trả lời, mức độ liên quan và khả năng từ chối khi thiếu căn cứ.

Kiểm soát AI Agent

Thiết kế cơ chế phân quyền công cụ, giới hạn hành động, phê duyệt của con người và lưu vết hoạt động.

Kết nối tri thức với nghiệp vụ

Nghiên cứu cách đưa tri thức vào workflow, hỗ trợ quyết định và tự động hóa có kiểm soát.

Nguyên Tắc Cốt Lõi

1

Phân biệt Data • Information • Knowledge • Decision • Action

R57-02 sử dụng khung DIKDA để phân biệt các tầng xử lý thông tin và hành động trong hệ thống AI doanh nghiệp.

Tầng Ý nghĩa Ví dụ
Data Dữ liệu thô Bản ghi giao dịch, log, tài liệu gốc
Information Thông tin đã được tổ chức và đặt vào ngữ cảnh Báo cáo doanh thu theo tháng
Knowledge Tri thức được tổng hợp, có căn cứ và nguồn gốc Quy tắc nghiệp vụ được xác nhận từ tài liệu
Decision Quyết định hoặc phương án được đề xuất Đề xuất điều chỉnh mức tồn kho
Action Hành động làm thay đổi trạng thái hệ thống Cập nhật đơn hàng hoặc gửi yêu cầu phê duyệt
2

Knowledge Graph và Hybrid RAG cho tri thức có căn cứ

RAG (Retrieval-Augmented Generation) kết hợp truy xuất thông tin với mô hình ngôn ngữ để tạo câu trả lời dựa trên nguồn dữ liệu được cung cấp. Knowledge Graph biểu diễn các thực thể và quan hệ giữa chúng, hỗ trợ khai thác những mối liên hệ mà tìm kiếm văn bản thông thường có thể bỏ sót.

R57-02 tập trung nghiên cứu cách kết hợp hai phương pháp này trong kiến trúc Hybrid RAG, với bốn thuộc tính quản trị quan trọng:

  • Provenance – Nguồn gốc: xác định tài liệu, đoạn văn hoặc bản ghi làm căn cứ cho thông tin được truy xuất.
  • Version – Phiên bản: phân biệt các phiên bản tài liệu và tránh sử dụng nội dung đã bị thay thế.
  • Effective Date – Thời hạn hiệu lực: xác định thời điểm một quy định hoặc thông tin có giá trị áp dụng.
  • Access Control – Phân quyền truy cập: bảo đảm người dùng và AI Agent chỉ truy xuất dữ liệu trong phạm vi được cấp quyền.
3

Đánh giá Grounded AI bằng chỉ số đo lường

Một câu trả lời trôi chảy không đồng nghĩa với câu trả lời chính xác. Vì vậy, R57-02 định hướng đánh giá độc lập hai thành phần: truy xuất và tạo câu trả lời.

Đánh giá truy xuất (Retrieval Evaluation)

Precision@K: mức độ chính xác của các kết quả đứng đầu.

Recall@K: khả năng tìm được các tài liệu hoặc đoạn thông tin liên quan trong nhóm kết quả đầu.

MRR (Mean Reciprocal Rank): vị trí của kết quả đúng trong danh sách truy xuất.

Đánh giá tạo câu trả lời (Generation Evaluation)

Faithfulness: mức độ câu trả lời được hỗ trợ bởi bằng chứng truy xuất.

Answer Relevance: mức độ câu trả lời đáp ứng đúng câu hỏi.

Abstention Rate: tỷ lệ hệ thống từ chối trả lời trong những trường hợp được xác định là không đủ căn cứ hoặc ngoài phạm vi.

4

Quản trị AI Agent và giới hạn hành động

AI Agent có thể sử dụng công cụ, gọi API và thực hiện chuỗi tác vụ. Khả năng này mở ra nhiều cơ hội tự động hóa nhưng cũng làm tăng rủi ro khi hệ thống truy cập sai dữ liệu hoặc thực hiện hành động ngoài ý muốn.

R57-02 định hướng nghiên cứu các cơ chế kiểm soát sau:

  • Least Privilege: chỉ cấp quyền tối thiểu cần thiết cho từng Agent.
  • Tool Authorization: xác định công cụ, API và thao tác được phép sử dụng; phân biệt quyền đọc với quyền ghi hoặc thực thi.
  • Approval Workflow: yêu cầu phê duyệt trước các hành động có rủi ro cao.
  • Audit Trail: lưu vết yêu cầu, công cụ được gọi, tham số liên quan, kết quả, quyết định phê duyệt và các thay đổi trạng thái để phục vụ kiểm tra.
  • Rollback Capability: xây dựng cơ chế khôi phục phù hợp đối với các thao tác có thể hoàn tác.
  • Kill Switch: có khả năng dừng hoặc vô hiệu hóa quyền thực thi của Agent khi phát hiện hành vi bất thường.
5

Human-in-the-Loop và trách nhiệm của con người

Human-in-the-Loop (HITL) là nguyên tắc đưa con người vào những điểm kiểm soát quan trọng trong quy trình AI. Trong R57-02, các điểm can thiệp có thể bao gồm:

  • Xác nhận dữ liệu hoặc nguồn tri thức quan trọng.
  • Phê duyệt đề xuất trước khi thực hiện hành động có rủi ro.
  • Kiểm tra các trường hợp AI thiếu căn cứ, mâu thuẫn hoặc vượt phạm vi.
  • Đánh giá kết quả và quyết định tiếp tục, điều chỉnh hoặc dừng workflow.

Các Hướng Nghiên Cứu Trọng Tâm

1. Enterprise Knowledge Graph & Hybrid RAG

Hướng nghiên cứu tập trung vào kiến trúc tri thức doanh nghiệp có khả năng truy xuất theo ngữ cảnh, liên kết thực thể và kiểm soát quyền truy cập.

Các vấn đề nghiên cứu gồm:

  • Chuẩn hóa metadata và vòng đời tài liệu.
  • Xây dựng Knowledge Graph từ các nguồn dữ liệu phù hợp.
  • Kết hợp tìm kiếm từ khóa, tìm kiếm ngữ nghĩa và truy xuất đồ thị.
  • Quản lý phiên bản, nguồn gốc và thời hạn hiệu lực.
  • Kiểm soát truy xuất theo danh tính và quyền của người dùng.

Đầu ra dự kiến: sơ đồ kiến trúc, mô hình dữ liệu tri thức, tập câu hỏi đánh giá và nguyên mẫu truy xuất có dẫn nguồn.

2. Agentic Workflow Framework

Hướng nghiên cứu tập trung vào việc tổ chức AI Agent thành quy trình có mục tiêu, quyền hạn và điểm kiểm soát rõ ràng.

Các vấn đề nghiên cứu gồm:

  • Phân rã nhiệm vụ và điều phối các bước thực hiện.
  • Thiết kế giao diện giữa Agent, công cụ và hệ thống nghiệp vụ.
  • Quản lý trạng thái, lỗi và các trường hợp cần chuyển cho con người.
  • Kiểm soát quyền thực thi, phê duyệt và khả năng dừng khẩn cấp.
  • Lưu vết và đánh giá toàn bộ workflow.

Đầu ra dự kiến: mô hình workflow, quy tắc phân quyền, kịch bản kiểm thử và nguyên mẫu AI Agent trong phạm vi được xác định.

3. Benchmarking & Grounded AI Metrics

Hướng nghiên cứu tập trung vào xây dựng phương pháp đánh giá có thể lặp lại để so sánh chất lượng các hệ thống RAG và AI Agent.

Các vấn đề nghiên cứu gồm:

  • Xây dựng tập câu hỏi và đáp án tham chiếu.
  • Đánh giá độ chính xác và độ phủ của truy xuất.
  • Kiểm tra tính nhất quán giữa câu trả lời và bằng chứng.
  • Đánh giá khả năng từ chối khi thiếu dữ liệu.
  • Kiểm thử phân quyền và hành vi của Agent trong các tình huống có rủi ro.

Đầu ra dự kiến: bộ dữ liệu đánh giá, bộ tiêu chí, công cụ kiểm thử và báo cáo so sánh theo điều kiện thử nghiệm xác định.

Phương Pháp Nghiên Cứu & Kiểm Chứng

Bước 1

Xác định bài toán

Làm rõ vấn đề quản trị tri thức hoặc tự động hóa cần giải quyết, đối tượng sử dụng và tiêu chí thành công.

Bước 2

Khảo sát dữ liệu và quy trình hiện tại

Đánh giá nguồn tài liệu, chất lượng dữ liệu, quyền truy cập, phiên bản và quy trình nghiệp vụ liên quan.

Bước 3

Thiết kế kiến trúc

Xác định mô hình tri thức, phương pháp truy xuất, vai trò của Agent, công cụ được phép sử dụng và các điểm phê duyệt.

Bước 4

Xây dựng nguyên mẫu

Triển khai phiên bản thử nghiệm trong môi trường và phạm vi dữ liệu được kiểm soát.

Bước 5

Đánh giá và kiểm thử

Đo lường chất lượng truy xuất, độ trung thực của câu trả lời, khả năng tuân thủ phân quyền, độ ổn định và hành vi của Agent trong các tình huống lỗi.

Bước 6

Phân tích và hoàn thiện

Tổng hợp kết quả, xác định giới hạn, đề xuất cải tiến và đánh giá điều kiện cần thiết trước khi mở rộng triển khai.

Đối Tượng Hợp Tác

Doanh nghiệp và tập đoàn

  • Chuẩn hóa hệ thống tri thức nội bộ và tài liệu nghiệp vụ.
  • Nghiên cứu kiến trúc RAG phục vụ tra cứu chính sách, quy trình và thông tin tổ chức.
  • Xây dựng nguyên mẫu AI Agent hỗ trợ công việc có giới hạn quyền hạn.
  • Đánh giá chất lượng, khả năng truy xuất và rủi ro khi tích hợp AI vào hệ thống hiện hữu.

Ngân hàng và tổ chức tài chính

  • Nghiên cứu truy xuất tri thức có phân quyền đối với tài liệu và quy trình nghiệp vụ.
  • Xây dựng các cơ chế kiểm soát nguồn, phiên bản và thời hạn hiệu lực.
  • Đánh giá workflow AI có liên quan đến dữ liệu nhạy cảm hoặc hành động tài chính.
  • Xem xét yêu cầu kiểm toán, lưu vết và phê duyệt của con người.

Trường đại học và viện nghiên cứu

  • Phối hợp nghiên cứu Knowledge Graph, RAG và Agentic AI.
  • Xây dựng bộ dữ liệu đánh giá và phương pháp benchmark.
  • Phát triển đề tài nghiên cứu, nguyên mẫu và báo cáo kỹ thuật.
  • Trao đổi chuyên môn và phát triển năng lực nghiên cứu ứng dụng.

Đơn vị phát triển phần mềm và tích hợp hệ thống

  • Nghiên cứu kết nối AI Agent với ERP, CRM và các API nghiệp vụ.
  • Thiết kế cơ chế xác thực, phân quyền và kiểm soát thao tác.
  • Kiểm thử các tình huống lỗi, vượt quyền và khôi phục trạng thái.
  • Xây dựng kiến trúc có thể theo dõi, đánh giá và bảo trì.

Phương Thức Hợp Tác & Triển Khai

1. Tư vấn kiến trúc tri thức doanh nghiệp

Khảo sát dữ liệu và quy trình hiện có, xác định bài toán ưu tiên, thiết kế kiến trúc Knowledge Graph và RAG, đồng thời đề xuất phương án quản trị nguồn, phiên bản và phân quyền.

2. Nghiên cứu & phát triển nguyên mẫu

Phối hợp xây dựng nguyên mẫu truy xuất tri thức hoặc AI Agent cho một quy trình cụ thể; xác lập tiêu chí đánh giá và kiểm thử trước khi xem xét mở rộng.

3. Đào tạo & chuyển giao công nghệ

Phát triển năng lực cho đội ngũ kỹ thuật về quản trị tri thức, RAG, Knowledge Graph, thiết kế workflow và kiểm soát AI Agent. Nội dung triển khai được xác định theo năng lực đầu vào và mục tiêu của đơn vị.

4. Đánh giá hệ thống AI

Xây dựng bộ tiêu chí đánh giá độ tin cậy, chất lượng truy xuất, tuân thủ phân quyền và khả năng kiểm soát hành động. Phạm vi đánh giá được thống nhất trước khi thực hiện.

Định Hướng Đầu Ra Nghiên Cứu

Knowledge Architecture

Kiến trúc quản trị và truy xuất tri thức.

Knowledge Graph & Metadata Model

Mô hình thực thể, quan hệ và metadata.

Hybrid RAG Prototype

Nguyên mẫu truy xuất có dẫn nguồn và kiểm soát truy cập.

Agentic Workflow

Quy trình AI Agent với quyền hạn, bước phê duyệt và cơ chế xử lý lỗi.

Evaluation Benchmark

Bộ câu hỏi, dữ liệu tham chiếu và tiêu chí đánh giá.

Technical Report

Báo cáo phương pháp, kết quả đo lường, giới hạn và đề xuất cải tiến.

Governance & Audit Checklist

Danh mục kiểm tra về phân quyền, lưu vết và quản trị AI.

Hợp Tác Nghiên Cứu Cùng OpenR&D57

CL57.PRO và OpenR&D57 hướng đến kết nối các tổ chức, chuyên gia và nhóm nghiên cứu quan tâm đến quản trị tri thức, AI doanh nghiệp và phát triển AI Agent có kiểm soát.

Nếu đơn vị của bạn đang tìm cách khai thác tri thức nội bộ, nâng cao chất lượng hệ thống RAG hoặc nghiên cứu tự động hóa bằng AI Agent, hãy liên hệ để trao đổi về câu hỏi nghiên cứu, phạm vi thử nghiệm và khả năng phối hợp.

 

R57-02: Quản trị tri thức tốt hơn, xây dựng AI Agent có kiểm soát và tạo nền tảng cho tự động hóa doanh nghiệp.

Open R&D 57

Lịch khai giảng

ĐĂNG KÝ NGAY