Онто.
283 subscribers
139 photos
87 videos
24 files
134 links
Онто - платформа для моделирования и анализа сложных систем.

Сайт: https://ontonet.ru/
Платформа: https://app.ontonet.ru/
Документация: https://ontonet.ru/info
Учебный центр: https://ontonet.ru/learning

Сообщество: https://t.me/+utYGnhBi0JQ2Mjcy
Download Telegram
Кому не хватало поддержки дипсика и гигачат в OntoAI? Добро пожаловать.
Вместе с Катей Костенко (автором замечательного, олдскульного канала Позовите архитектора) собрали максимально простой кейс использования Онто и OntoAI. Спасибо Кате за отличную идею.
🔥1
Моделирование Солнечной системы как онтологической структуры

Исходная идея заключалась в создании структурированного пространства, описывающего объекты Солнечной системы и связи между ними. Для реализации была выбрана онтологическая платформа Онто, позволяющая задать иерархию понятий, типы объектов, их отношения и визуализировать модель.

Шаг 1. Создание онтологического пространства
Мы начали с создания нового рабочего пространства под названием «Солнечная система». Это пространство стало базовым контекстом, в котором последовательно развивалась вся структура.

Шаг 2. Определение базовых шаблонов
Для описания объектов была создана иерархия шаблонов (meta-entities). В центре лежал шаблон «Объект», от которого унаследованы специализированные классы:
• Звезда — самосветящееся тело (пример: Солнце)
• Планета — классические планеты, вращающиеся вокруг звезды
• Карликовая планета — объекты, не очистившие свою орбиту
• Спутник — объект, вращающийся вокруг планеты
• Малое тело — астероиды, кометы и прочие малые объекты

Этот подход строго онтологический: каждая категория оформлена в виде шаблона, а не экземпляра. Таким образом, структура остается расширяемой и логически устойчивой.

Шаг 3. Создание объектов Солнечной системы
В пространство были добавлены реальные объекты:
• Солнце
• Планеты: Меркурий, Венера, Земля, Марс, Юпитер, Сатурн
• Карликовая планета: Плутон
Каждому объекту был назначен соответствующий шаблон, обеспечивая тем самым его классификацию в рамках онтологии.

Шаг 4. Связи между объектами
Далее была создана связь «вращается вокруг», которая используется для моделирования орбитальных зависимостей. Все планеты были логически связаны с Солнцем этой связью. Также была введена связь «имеет тип», использованная для привязки объектов к их таксономическому классу, но позже она стала избыточной благодаря переходу на шаблонную модель.

Шаг 5. Визуализация диаграммы
Заключительным этапом стало создание диаграммы «Орбиты планет вокруг Солнца». В центре был размещён объект «Солнце», а остальные — расставлены по кругу, имитируя их орбитальное расположение. Между ними были проведены связи, отражающие факт обращения планет вокруг центральной звезды.

Диаграмма отразила не только структуру, но и взаимосвязи в системе, тем самым завершив формирование семантической модели.

Временные и итерационные затраты

Процесс моделирования занял примерно 1 час активной работы, включая все этапы — от концепции до готовой диаграммы. За это время в OntoAI было выполнено более 25 последовательных операций, включая:
• создание 7 шаблонов (включая базовый и специализированные),
• добавление и классификацию 10 объектов,
• построение 2 типов связей (онтологических и структурных),
• реализация 1 визуальной диаграммы с размещением всех объектов и связей,
• уточнение и корректировка структуры на нескольких этапах (например, отказ от ошибочной модели с объектами-классами и переход на шаблонную архитектуру).

В процессе потребовалось несколько итераций уточнения подхода:

1. первоначальная идея с шаблоном «Класс объекта» была признана методологически неверной;
2. после обсуждения была внедрена правильная онтологическая таксономия;
3. визуальная часть диаграммы формировалась на основе актуального положения объектов в круговой схеме.


Каждый шаг сопровождался логической валидацией структуры и её расширяемости, чтобы не только отразить текущую систему, но и заложить основу для будущего роста модели (например, добавление спутников, астероидов, миссий и наблюдателей)

OntoAI хорошо помогает убрать элемент взаимодействия с объектами напрямую, а так же поиска дополнительной информации. ссылка на диалог

Итоговая диаграмма вот по ссылке
🔥3
🚀 Onto × MCP — ещё один левел‑ап!

Теперь через MCP можно не только читать граф, но и создавать его:
• новое пространство (realm)
• любой шаблон (meta entity)
• объект с нужным шаблоном и комментарием

Что это значит на практике

1. Пустой проект → рабочий граф за минуту
В IDE пиши /new_realm "CRM‑2025" — MCP заводит пространство, шаблоны “Сделка” и “Клиент” и сразу открывает ссылки для команды.


2. “Одно слово в чате — новый термин в онтологии”
Аналитик вводит в Claude Desktop: “define PaymentGateway as техническая сущность” → шаблон и объект появляются в нужном пространстве без веб‑форм.


3. Синхронизация документации и графа
При ревью PR бот видит тег @Entity(Invoice) и, если его нет в Онто, автоматически добавляет шаблон и пустой объект “Invoice”.


4. Формирование песочницы для R&D
Data‑science‑группа запускает скрипт “/create_sandbox” — MCP поднимает отдельный realm, копирует нужные шаблоны и готовит площадку для экспериментов.


5. Экспресс‑бординг новой команды
В Slack команде пишут /setup_project "Логистика" — получаем realm, базовые шаблоны, стартовые сущности “Склад”, “Маршрут”, “Груз” и всю структуру сразу в их AI‑клиенте.



Напоминаем, что уже умеет MCP

🔍 list_spaces — показать ваши пространства

🔎 search_templates и search_objects — найти нужный шаблон или объект по части имени

login — одна авторизация для всех инструментов


Подключайте любимую нейросеть (GPT‑4o, DeepSeek, Claude, GigaChat), пишите простые команды и стройте онтологию, не выходя из рабочего приложения.

💬 Фидбек и идеи — в комментарии или в GitHub issues!
👍5
С составом спикеров разговора об Archimate мы определились. Это:
- Artem Varkulevich
- ‎⁨Roman Tsirulnikov⁩
- ‎⁨Kirill Keker⁩
- ‎⁨Mikhail Zaborov⁩
- Alexander Chertilin, и я
- Maxim Smirnov⁩
а вот на темы разговора еще можно повлиять.

В комментариях к этому сообщению вы можете обозначить интересующие вас темы и задать вопросы спикерам

и, конечно, присоединяйтесь к зуму
📆 7 августа в 19:00 MSK
(ссылка будет в этом канале накануне)
🔥2
🔥9
🎉 OntoRepa — Ассистент клонирования объектов в Onto

👇 Что умеет
• Мгновенно создаёт копии объектов, дублируя все поля и связи
• Позволяет задать, какие свойства и связи должны измениться в копии
• Автоматически формирует новые идентификаторы, исключая дубликаты
• Работает с любыми шаблонами и типами связей в вашем пространстве Onto

Как это происходит

1. Передаёте ассистенту объект-образец.


2. Сообщаете только отличающиеся данные (например, инвентарный номер или другой объект для связи).


3. Получаете готовую копию с обновлёнными свойствами и корректными связями.


4. Повторяете шаг 2 — создавайте десятки копий за считанные минуты.

---

📌 Пример сценария
Нужно завести много одинаковых датчиков, отличающихся лишь:

своим инвентарным номером;

местом установки — ссылкой на объект «Мачта» (координаты уже заданы у мачты).


С OntoRepa:

1. Указываете существующий датчик как образец.


2. Вводите новый номер и выбираете мачту.


3. Ассистент создает копию датчика и связывает её с выбранной мачтой.



Итог — быстрое массовое создание корректно связанных объектов без ручной рутины.


---

Попробовать 👉 https://chatgpt.com/g/g-6891e2cfde1481918fefadd5db4f0db0-ontorepa-ontoai-replication-assistant
🔥3👍1
image_2025-08-08_11-33-55.png
18.3 KB
Хотим поделиться сложившейся практикой 🚀

Да, GPT-5 уже доступен в OntoAI, но мы рекомендуем для простых расчётных задач, анализа соответствия и поиска данных по графу использовать более лёгкие модели.
Это сэкономит токены и деньги 💰

Например, для нашего инструмента классификации фич сейчас отлично подходят даже nano-модели — быстро, дёшево и без потери качества в таких сценариях.
🚀 В Онто появилась поддержка авторизации через API Key!

Теперь для работы с нашим API не нужно проходить сложные сценарии входа — достаточно сгенерировать API Key в личном кабинете и использовать его в запросах.

Онто поддерживает OpenAPI, а значит, вы можете:
• интегрировать Онто с любыми внешними системами, приложениями и сервисами;
• автоматизировать работу с графом знаний прямо из кода;
• создавать собственные боты, виджеты и AI-ассистентов, использующих данные Онто;
• подключать BI-инструменты для визуализации и аналитики.

API Key — это быстрый, безопасный и удобный способ дать вашим приложениям доступ к данным и функциям Онто.

🔑 Включите интеграцию — и дайте вашим системам говорить на языке Онто.

Скоро мы предоставим новую версию личного кабинета где управление API KEY будет в режиме самообслуживания. А пока я могу рассказать как их получить в личных сообщениях. Пишите )
Апдейт манифеста: добавились два новых принципа —
«Опыт важнее быстрых знаний и умений» и «Системность важнее набора действий».

Автор — Мария Мариничева: экс-руководитель Центра знаний Ernst & Young, экс-директор департамента управления знаниями Оргкомитета «Сочи 2014», автор книги «Управление знаниями на 100%». Автор канала Управление знаниями для бизнеса и жизни|Мария Мариничева

Почему это важно:
— опыт превращает ошибки в стратегический актив и масштабируемые практики;
— системность — это не бюрократия, а рычаг свободы, фокуса и роста.
Читать обновлённый манифест: https://sensemanifest.ru
Поддержать и присоединиться: https://sensemanifest.ru/sensemakers
Внести правки (PR): https://github.com/OntoNet/manifest/blob/main/manifest.md

Будем рады любому осмысленному вкладу — от правок формулировок до кейсов и идей для следующей версии. 🙌
Как сделать фабрику идей?

Идей в продуктовых командах всегда больше, чем времени на их реализацию. Как понять, какие из них действительно стоит воплощать?
Мы собрали пошаговый рецепт, который превращает хаос предложений в чёткий план действий с помощью Онто и OntoAI. Вы увидите, как за один процесс собрать, структурировать, оценить и отобрать лучшие идеи, а затем привязать их к целям и задачам.
Это не теория, а готовый сценарий «бери и делай», который можно повторить в любой команде.
4
Как превратить ремонт в управляемую систему: граф-модель в Онто

Ремонт часто превращается в хаос: десятки задач, мастеров, поставок и ограничений переплетаются и рушат планы. В Онто это можно собрать в граф — простую визуальную модель, где задачи, материалы, исполнители и сроки связаны так же, как в реальности. Такой подход даёт сразу несколько плюсов:
— видно зависимости и критический путь без сложных диаграмм;
— легко оптимизировать покупки и поездки, объединив их по поставщикам;
— контролировать бюджет и сроки становится проще, потому что риски и ограничения видны на диаграмме;
— модель можно использовать повторно для следующих проектов.

Это не просто план ремонта, а инструмент развития графового мышления: начинаешь видеть связи, а не списки, и переносишь этот навык в повседневную работу.


📖 Полный текст статьи читайте здесь: ontonet.ru/case-renovation
🔥3
🌐 Gartner: графы знаний перестали быть трендом и стали рабочим инструментом бизнеса

В отчёте Gartner Impact Radar 2024 графы знаний (Knowledge Graphs) оказались в центре внимания, рядом с генеративным искусственным интеллектом. Это показывает их высокую значимость и практическую ценность для бизнеса уже сегодня. Граф знаний превращает разрозненные данные в осмысленные взаимосвязи, позволяя строить аналитику, автоматизировать процессы и поддерживать принятие решений. На диаграмме Impact Radar технология обозначена крупной насыщенной точкой в центральной зоне, что отражает их прогнозируемое влияние и готовность к внедрению в ближайшие 1–2 года. Gartner подтверждает, что графы знаний перестают быть просто трендом и становятся инструментом, который уже приносит реальную пользу компаниям.

По анализу Gartner графы знаний находятся на стадии «склона просветления» в цикле хайпа — моменте, когда технология уже прошла модный ажиотаж, разочарование и после усовершенствований готова к реальной работе на предприятиях. На этом этапе появляются реальные проекты, есть проверенный опыт внедрений, формируются рабочие сценарии эксплуатации. Риски внедрения стремятся к минимуму. Бизнес начинает видеть ощутимую и измеримую ценность. Именно это делает графы знаний особенно важными: инвестировать в них уже безопасно и продуктивно. Результаты уже не представляют собой просто красивые слайды презентации, они функционируют в реалиях десятков компаний.

Сегодня Knowledge Graphs становятся фундаментом корпоративной информационной базы. Они помогают интегрировать разрозненные данные, обеспечивать прозрачность и объяснимость моделей, ускорять принятие решений и повышать эффективность процессов. Их применяют в цифровой коммерции, управлении данными, аналитике, риск-менеджменте, формировании корпоративной базы знаний, отладке бизнес-процессов.

Визуализированный отчет Impact Radar 2024 ясно показывает, что современные компании всё активнее обращаются к решениям, которые помогают структурировать данные, создавать взаимосвязи между сущностями и извлекать осмысленные инсайты из разрозненной информации.

#Онто_Интересно
🔥5
благодаря MCP в Онто уже данные легко появляются используя Cursor, а так же OntoAI в ChatGPT. Визуальные контексты легко ограничивают диаграммы возможностями человеческого внимания.
👍1
Forwarded from Quantum Quintum (Constantin Kichinsky)
Вышло интервью Чарльза Ламанна, CVP Microsoft (Business Apps & Platforms). Контекст: в конце прошлого года в другом интервью Сатья Наделла высказался в духе, что SaaS мертв и тогда это наделало шума. Интервью Чарльза — возможность заглянуть под капот этого тезиса.

В России все заигрались в импортозамещение и в массе своей все еще не догоняют, что замещают прошлое.

Ключевые мысли:
— Бизнес-приложения, как мы их знаем, мертвы. Конечно, завтра клиенты в энтерпрайзе не перестанут платить за CRM/ERP/HCM/... Но не будет никаких инноваций и это не будет инвестицией в будущее.
— Бизнес-приложения сегодня — это "system of record", спроектированные, чтобы человек вносил данные. Но в мире ИИ-агентов и автоматизации это не будет так работать.
— Классические бизнес-приложения закостенеют. Возникнет новый ИИ-слой вокруг автоматизации и выполнения задач, расширяющий команды людей, которые будут делать свою работу с участием агентов.

— Классическое бизнес-приложение — это: 1) интерфейсы форм ввода на вебе или в мобилке, 2) список вещей, в которые вы можете погрузиться и отредактировать , 3) набор бизнес-процессов, заданных статично. Хрупкая и нединамичная система. Под капотом реляционная база данных. Современное вебное бизнес-приложение не далеко ушло от бизнес-приложений прошлого на мейнфреймах.

— Бизнес-приложения будущего — это бизнес-агенты. Сгенерированный UI под запрос пользователя. Вы замените бизнес-процессы ИИ-агентами, которые возьмут цель и ожидаемый результат и сами найдут лучший способ достижения. Под капотом у вас будет векторная база данных, поисковые индексы и др. релевантные системы. Все вместе — это новый класс технологий.

— Через 10 лет старые и новые бизнес приложения будут абсолютно разными сущностями. Сейчас они только начали разделение, на горизонте 6-16 месяцев мы увидим форму новых бизнес-приложений. Цикл обновления бизнес-приложений длинный, это станет новым паттерном в окрестности 2030.

— То, что Cursor делает для веб-разработки, аналогичное происходит сегодня и в продажах, клиентском обслуживании, финансовых сервисах, управлении цепочками и т.п. Везде появится свой Cursor. Будут вайб-продажи, вайб-маркетинг, вайб-юристы и т.п.

— Сейчас мы берем текущие орг-структуры и отображаем их на ИИ-мир. К продажам добавляем ИИ-продажи и т.п. За 10 лет это изменится. Будет две классические волны: новые технологии для старых способов работы и новые технологии для новых способов работы.

— Мы привыкли думать о командах как командах людей. Будет команда людей и ИИ-агентов. Мы должны начать думать в этом залоге, размышляя о структуре организаций и компаний и найме. Каждый IC (individual contributor) будет менеджером ИИ-агентов. Мы делали софт (в Microsoft) для работников умственного труда, чтобы они делали эту свою умственную работу. В будущем большая часть "умственного" и информационного труда будет делаться ИИ-агентами. Задача человека — это управлять и оркестровать ими.

— С ИИ-агентами мы по-другому будем смотреть на задачу интеграции бизнес-приложений. Мы уже закладываем взаимодействие в основу через MCP и A2A.

— Клиенты наигрались в самостоятельную разработку поверх API к ИИ-моделям и ищут готовые ИИ-решения (агента или приложения вроде Cursor). Компании хотят быстро получить ценность. При этом: 1) они реально нацелены на ограничение ресурсов на повышение продуктивности; 2) нужен большой фокус на демократизации доступа к ИИ, его надо дать всем; 3) нужно не распыляться — инвестировать в небольшое число проектов.

— Как сейчас думает Microsoft: 1) вся компания ориентирована на миссию, весь софт, все технологии и все продукты компании будут задизрапчены ИИ. Мы хотим возглавить это, а не наблюдать. Энергии через край у всех. 2) экстремальный личный пуш (многих людей), чтобы пройти все внутренние бюрократические и управленческие барьеры. 3) реальное потворство экспериментам, готовности пробовать и ошибаться, учиться: у нас каждую неделю форумы, на которых люди рассказывают, что они попробовали, что получилось, а что нет и почему.

Посмотреть-послушать. Почитать расшифровку.
3👍2💯1
Если разложить проекты по «экосистемным полкам», то место Онто хорошо видно: оно сидит как раз в разрыве между личными заметочными графами (Roam, Obsidian, TheBrain) и большими промышленными графами (Neo4j Bloom, Kumu, Graph Commons).

📍 Схема-ориентировка

Представь координатную систему:
по оси X — масштаб и строгость (от личных заметок → до промышленных баз данных),
по оси Y — уровень коллаборации (от индивидуального использования → до командной/корпоративной работы).

Расположение проектов:

🔹Личные графы заметок: Roam, Obsidian, TheBrain — в левом нижнем углу (индивидуально, нестрого).
🔹Энциклопедические графы: Wikidata, DBpedia, ConceptNet — справа внизу (масштабные, но в основном не для совместного моделирования, а для ИИ/исследователей).
🔹Бизнес-графы и системные карты: Neo4j Bloom, Kumu, Graph Commons — справа вверху (корпоративные, командные, но требуют специалистов и не дают «из коробки» понятного языка моделирования).

🟦 Где встает Онто

Онто занимает срединное, но уникальное место:
🔹Масштабируемость — от простых стикеров или идей (как в Obsidian) до больших цифровых теней предприятий (как в Neo4j/Kumu).
🔹Совместная работа в командах — в отличие от Obsidian или Roam, которые по сути персональные.
🔹Интерактивные визуальные контексты — диаграммы, которые живут и меняются, а не статичная картинка (отличие от Bloom/Kumu, где визуализация больше отчётная).
🔹AI-слой (OntoAI) — то, чего нет почти ни у кого: агенты, которые оперируют графом напрямую (память, поиск, репликация, автоматизация).
🔹Методология — онтологическая строгость без ухода в академический RDF/OWL-хардкор, который характерен для DBpedia/ConceptNet.

🧭 Итоговое позиционирование

Если Roam и Obsidian — это «личный мозг»,
Wikidata и ConceptNet — это «мировой мозг»,
Neo4j Bloom/Kumu — это «инженерный мозг организаций», то
Онто можно описать как «командный мозг для моделирования сложных систем»: живой, визуальный и доступный, но с возможностью вырасти до уровня цифровых двойников.
3👍2
Уже сейчас Онто агенты прекрасно работают на очень слабых моделях. Очень здорово что подтверждаются наши гипотезы о том что масштаб знания нужно уменьшать, а не генерить бессмысленные статьи из текста.
Выскажу дизрапт-гипотезу.

Прирост качества новых версий моделей снижается — возможно, даже экспоненциально. Это не только ощущение практика, ежедневно работающего с передовыми моделями, включая платные, но и подтверждённая исследованиями тенденция убывающей отдачи от традиционных scaling laws.

Исходя из этого, для себя делаю такую ставку:

1. AGI на текущем уровне развития научно-технического прогресса (НТП) крайне маловероятен в ближайшие годы.
2. Характеристики OSS-моделей будут расти и в течение 2-3 лет практически сравняются с передовыми в большинстве задач.
3. Уже в ближайшем будущем промышленные агентные решения будут строиться на множестве моделей, инкапсулированных в агентов — теперь генеративных. Причём на коммодити железе. Архитектура таких решений радикально изменится: вместо монолита «одна большая модель» появится сеть из множества генеративных агентов, гибко комбинируемых под задачу.
4. Если AGI всё же возникнет в результате прорыва в НТП, влияние на п.3 может быть не столь драматическим — агентная архитектура останется актуальной.

Как это влияет конкретно на мою работу? Я учусь управлять когнитивной нагрузкой и выжимать промышленный результат из слабых моделей. И определённый прогресс в этом уже есть.

И да, в задачах сопряжения "бизнес-архитектуры" и инженерии.
🏠 Как мы мучились с оцифровкой дома, но довели до ума

Я как-то рассказывал уже что Онто использую и в личных проектах: например "оцифровал" стройку дома. И вот как это происходило 👇


Начали мы с кипы документов: архитектурный проект, дизайн, обмерные планы. Казалось бы — бери площади и заноси. Но не тут-то было 🙃

Шаг 1. Завели структуру
Сначала в Онто создали сам дом → этажи → помещения. Спасибо ChatGPT, который сразу предложил шаблоны: жилое помещение, с/у, зона отдыха и т.д.

Шаг 2. Первые квадраты
Прописали площади. И тут сразу сюрпризы: в одном документе спортзал был 11,4 м², а в другом — 14,86 м². Мастерская тоже «гуляла».

Шаг 3. Сверка по документам
Начали таскать таблицы из обмерных планов и сравнивать с тем, что уже внесли. Разница по этажу доходила до 10+ квадратов 😳

Шаг 4. Детектив по комнатам
Оказалось, что у нас в модели есть лишние комнаты (кладовая, холл), которых в плане не было. А вот «Игровая» наоборот была в документах, но отсутствовала в Онто. Пришлось добавлять!

Шаг 5. Исправления
Площадь санузлов тоже не совпадала: в Онто стояли одни цифры, в проекте — другие. С OntoAI поправили всё, шаг за шагом.

Шаг 6. Победа
В итоге мы всё свели:
• Этаж 1 = 125,7 м²
• Этаж 2 = 103,4 м²
• Общая площадь = 229,1 м²

Теперь есть аккуратная цифровая модель, где всё прозрачно: дом → этаж → комнаты → площади. На очереди регистрация задач в контекстах помещений.
🔥 Вывод: без Онто и OntoAI с ChatGPT мы бы утонули в противоречивых бумагах. А так — да, помучались, но зато теперь всё красиво в цифре, и можно гордо сказать: «Дом оцифрован»

первым аттачем в чате будет демонстрация. Посмотрите скрины нашего с чатом мучения при сведении многих документов. Но результат того стоил.
4