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.
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.
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.
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.
Thiết kế cơ chế phân quyền công cụ, giới hạn hành động, phê duyệt của con người và lưu vết hoạt động.
Nghiên cứu cách đưa tri thức vào workflow, hỗ trợ quyết định và tự động hóa có kiểm soát.
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 |
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:
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.
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.
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.
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:
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:
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:
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.
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:
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.
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:
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.
Làm rõ vấn đề quản trị tri thức hoặc tự động hóa cần giải quyết, đối tượng sử dụng và tiêu chí thành công.
Đánh giá nguồn tài liệu, chất lượng dữ liệu, quyền truy cập, phiên bản và quy trình nghiệp vụ liên quan.
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.
Triển khai phiên bản thử nghiệm trong môi trường và phạm vi dữ liệu được kiểm soát.
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.
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.
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.
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.
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.
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.
Kiến trúc quản trị và truy xuất tri thức.
Mô hình thực thể, quan hệ và metadata.
Nguyên mẫu truy xuất có dẫn nguồn và kiểm soát truy cập.
Quy trình AI Agent với quyền hạn, bước phê duyệt và cơ chế xử lý lỗi.
Bộ câu hỏi, dữ liệu tham chiếu và tiêu chí đánh giá.
Báo cáo phương pháp, kết quả đo lường, giới hạn và đề xuất cải tiến.
Danh mục kiểm tra về phân quyền, lưu vết và quản trị AI.
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.