запись вебинара «Контексты вместо регламентов: новая логика оцифровки процессов»
Разобрали, как использовать HTTP MCP сервер Онто для оцифровки —
на примере обработки двух связанных контекст-карт.
Обсудили, как MCP помогает связывать действия, акторов и данные в живую модель,
а также посмотрим возможные клиенты, с которыми мы работаем:
• Cherry Studio — удобный интерфейс для работы с HTTP MCP
• Qorder — вариант для тех, кто привык к коду
Разобрали, как использовать HTTP MCP сервер Онто для оцифровки —
на примере обработки двух связанных контекст-карт.
Обсудили, как MCP помогает связывать действия, акторов и данные в живую модель,
а также посмотрим возможные клиенты, с которыми мы работаем:
• Cherry Studio — удобный интерфейс для работы с HTTP MCP
• Qorder — вариант для тех, кто привык к коду
RUTUBE
Контексты вместо регламентов: новая логика оцифровки процессов (как использовать HTTP MCP)
Покажу, как использовать HTTP MCP сервер Онто для оцифровки —
на примере обработки двух связанных контекст-карт.
Разберём, как MCP помогает связывать действия, акторов и данные в живую модель,
а также посмотрим возможные клиенты, с которыми мы работаем:
•…
на примере обработки двух связанных контекст-карт.
Разберём, как MCP помогает связывать действия, акторов и данные в живую модель,
а также посмотрим возможные клиенты, с которыми мы работаем:
•…
Друзья, у нас новый презентационный сайт: ontonet.ru.
Комментарии и предложения приветствуются.
Комментарии и предложения приветствуются.
🥰5🔥1
Наш амбассадор, Сергей Трушкин использует Онто для осмысленного управления вниманием.
Он описал свой опыт в статье.
https://vk.com/@trushkin_online-razgovor-o-vnimanii-ego-uchete-rezultatah-i-upravlenii-zhizn
Читайте и присоединяйтесь!
Он описал свой опыт в статье.
https://vk.com/@trushkin_online-razgovor-o-vnimanii-ego-uchete-rezultatah-i-upravlenii-zhizn
Читайте и присоединяйтесь!
❤8
🔥 Сетевой инженер + Онто
Спасибо автору за живую статью — очень по-инженерски и без воды. Круто, когда опыт “из серверной” превращается в понятную модель: связи видны, риски не прячутся, решения ускоряются.
👉 Почитать: https://vc.ru/id5417461/2299868-setevoy-inzhener-i-ontonet-ru-poryadok-v-proyektakh-i-intsidentakh
🌿 Куда это можно развивать
Онто помогает не только в сетях. Ту же логику “связи-зависимости-влияние” можно приложить к:
• управлению проектами и релизами;
• инцидент-менеджменту и постмортемам;
• CMDB/asset-моделированию и аудитам SLA;
• capacity/топологическому планированию;
• DRP/резервированию и сценариям отказа;
• безопасностным зависимостям (доступы, сегментация, уязвимости);
• онколл-рутинe и сменам (кто/за что/где точки отказа).
🎁 Бонус автору статьи
Если интересно, поможем расширить кейс до «сеть → сервис → бизнес-влияние»: добавить карту сервисов, окна обслуживания и простые дашборды “что меняется при X”. Это даст хорошую основу для следующей публикации.
Спасибо автору за живую статью — очень по-инженерски и без воды. Круто, когда опыт “из серверной” превращается в понятную модель: связи видны, риски не прячутся, решения ускоряются.
👉 Почитать: https://vc.ru/id5417461/2299868-setevoy-inzhener-i-ontonet-ru-poryadok-v-proyektakh-i-intsidentakh
🌿 Куда это можно развивать
Онто помогает не только в сетях. Ту же логику “связи-зависимости-влияние” можно приложить к:
• управлению проектами и релизами;
• инцидент-менеджменту и постмортемам;
• CMDB/asset-моделированию и аудитам SLA;
• capacity/топологическому планированию;
• DRP/резервированию и сценариям отказа;
• безопасностным зависимостям (доступы, сегментация, уязвимости);
• онколл-рутинe и сменам (кто/за что/где точки отказа).
💬 Приглашение
Расскажите, где вам особенно не хватало “видимых связей” — в сетях, продуктах, поддержке, бизнес-процессах. Формат любой: короткая заметка, скрин диаграммы, выводы. Лучшие истории соберём в отдельный пост.
🎁 Бонус автору статьи
Если интересно, поможем расширить кейс до «сеть → сервис → бизнес-влияние»: добавить карту сервисов, окна обслуживания и простые дашборды “что меняется при X”. Это даст хорошую основу для следующей публикации.
👍5❤2
Онто: инструменты исследователя знаний
Сегодня в Онто собран почти полный набор инструментов для тех, кто работает со знанием как с живой системой.
Исследователь, архитектор, аналитик или инженер данных — каждый получает собственный «набор лабораторных инструментов» прямо внутри графового пространства.
В SaaS-версии платформа обеспечивает совместное моделирование, визуализацию и связь данных с контекстами.
А в частных (private cloud) развертываниях доступен расширенный инструментарий бизнес-анализа, автоматизации и интеграции — включая n8n, который теперь встроен в Онто как универсальный оркестратор действий и сценариев.
Всё это объединено единой логикой Онто:
понять — смоделировать — автоматизировать — наблюдать — развивать.
Если вы хотите, чтобы в вашей компании знания не пылились в документах, а жили, эволюционировали и помогали принимать решения — исследуйте их в Онто.
Сегодня в Онто собран почти полный набор инструментов для тех, кто работает со знанием как с живой системой.
Исследователь, архитектор, аналитик или инженер данных — каждый получает собственный «набор лабораторных инструментов» прямо внутри графового пространства.
В SaaS-версии платформа обеспечивает совместное моделирование, визуализацию и связь данных с контекстами.
А в частных (private cloud) развертываниях доступен расширенный инструментарий бизнес-анализа, автоматизации и интеграции — включая n8n, который теперь встроен в Онто как универсальный оркестратор действий и сценариев.
Это значит, что вы можете не просто описывать процессы — а связывать модели, данные и реальные действия:
запускать скрипты, обновлять базы, создавать отчёты, инициировать события.
Знание становится активным элементом инфраструктуры, а не архивом.
Всё это объединено единой логикой Онто:
понять — смоделировать — автоматизировать — наблюдать — развивать.
Если вы хотите, чтобы в вашей компании знания не пылились в документах, а жили, эволюционировали и помогали принимать решения — исследуйте их в Онто.
🔥2👍1
🎯 Финальный кейс ЛЦТ Феста 2025: “Живое знание как процессный движок”
Этот материал — про наш путь на ЛЦТ Фест 2025 в задаче «Интеллектуальный цифровой инженер данных». Мы пришли не с ещё одним «ML-демо», а с управляемым процессом импорта: Онто как мозг (сигнатуры, профили датасетов, шаблоны пайплайнов), MCP как оркестратор шагов, MinIO для presigned-загрузки без лишнего трафика, Airflow с одним универсальным DAG и Postgres на выходе. Вместо «магии нейросети» в критическом пути — алгоритмы и правила, а LLM — ассистент и объяснитель.
Мы собрали управляемый процесс импорта данных — вместо зоопарка скриптов и “магии” нейросетей в критическом пути.
Архитектура простая и честная: Онто как мозг (сигнатуры, профили, шаблоны пайплайнов) → MCP оркеструет шаги → MinIO принимает файл по presigned URL без лишнего трафика → Airflow запускает один универсальный DAG → Postgres получает таблицу.
LLM — ассистент и объяснитель, решения принимают алгоритмы и правила.
💡 Что важно по экономике
— Сделано за 3 человеко-дня (без бесконечных MVP).
— В работе было 5 нейросетевых помощников (BA/SA, backend, DevOps, DAG, QA) — ускорение без хаоса.
— Переносим opex ИТ из “вечных доработок” в capex хранения знаний: один раз зафиксировал сигнатуры и шаблоны — дальше процесс едет по рельсам.
— Меньше трафика, меньше ручных телодвижений, больше воспроизводимости.
Почему это проходит у архитекторов и поддержки? Потому что предсказуемо, прозрачно и воспроизводимо.
Алгоритмы решают, LLM объясняет — и это снижает риски и TCO.
Подробная история, how-to и выводы:
👉 Хабр или зеркало в учебном центре Онто
#Онто #LCTFest2025 #dataengineering #Airflow #MinIO #MCP #управляемый_импорт #живое_знание
Этот материал — про наш путь на ЛЦТ Фест 2025 в задаче «Интеллектуальный цифровой инженер данных». Мы пришли не с ещё одним «ML-демо», а с управляемым процессом импорта: Онто как мозг (сигнатуры, профили датасетов, шаблоны пайплайнов), MCP как оркестратор шагов, MinIO для presigned-загрузки без лишнего трафика, Airflow с одним универсальным DAG и Postgres на выходе. Вместо «магии нейросети» в критическом пути — алгоритмы и правила, а LLM — ассистент и объяснитель.
Мы собрали управляемый процесс импорта данных — вместо зоопарка скриптов и “магии” нейросетей в критическом пути.
Архитектура простая и честная: Онто как мозг (сигнатуры, профили, шаблоны пайплайнов) → MCP оркеструет шаги → MinIO принимает файл по presigned URL без лишнего трафика → Airflow запускает один универсальный DAG → Postgres получает таблицу.
LLM — ассистент и объяснитель, решения принимают алгоритмы и правила.
💡 Что важно по экономике
— Сделано за 3 человеко-дня (без бесконечных MVP).
— В работе было 5 нейросетевых помощников (BA/SA, backend, DevOps, DAG, QA) — ускорение без хаоса.
— Переносим opex ИТ из “вечных доработок” в capex хранения знаний: один раз зафиксировал сигнатуры и шаблоны — дальше процесс едет по рельсам.
— Меньше трафика, меньше ручных телодвижений, больше воспроизводимости.
Почему это проходит у архитекторов и поддержки? Потому что предсказуемо, прозрачно и воспроизводимо.
Алгоритмы решают, LLM объясняет — и это снижает риски и TCO.
Подробная история, how-to и выводы:
👉 Хабр или зеркало в учебном центре Онто
#Онто #LCTFest2025 #dataengineering #Airflow #MinIO #MCP #управляемый_импорт #живое_знание
Хабр
Живое знание как процессный движок для импорта данных
Часть 1 — «Предыстория и замысел» Предыстория и замысел Моя позиция проста: ИТ должно делать процессы дешевле, надёжнее и понятнее — к этому я пришёл за почти 30 лет практики в разных ролях разработки...
🔥3
Media is too big
VIEW IN TELEGRAM
Шаблоны становятся важной вехой в эволюции Онто.
Они открывают пользователю возможность не просто описывать объекты, но и классифицировать исследуемое знание так же естественно, как это делает человек в реальной жизни.
В мире вокруг нас всё устроено слоями: организация состоит из департаментов, департаменты — из команд, команды — из проектных групп.
Раньше эта структура существовала только в голове исследователя, теперь она может существовать и в живой модели.
Шаблоны позволяют придать модели живую точность — ту самую необходимую и достаточную детализацию, которая помогает решать конкретную задачу без перегрузки лишней сложностью.
Теперь любая понятная пользователю абстракция — Организационная единица, Команда, Проектная команда — может стать самостоятельным типом, который классифицирует другие объекты.
И главное — шаблоны могут классифицировать не только сущности, но и другие шаблоны.
Это делает модель гибкой: вы можете начать с широкого понятия, затем уточнить его, затем уточнить уточнение — и все уровни будут связаны в единую смысловую сеть.
Онто помогает удерживать эту структуру и поддерживает её во всех контекстах, где ведётся исследование.
И всё это работает одинаково хорошо для:
• организационных моделей,
• производственных процессов,
• системных архитектур,
• исследовательских проектов,
• личных моделей внимания,
• жизненных ситуаций, которые человек анализирует интуитивно.
Онто❤️ становится универсальным классификатором, который помогает соединять точность мышления и естественность восприятия.
Карта развития Онто.
Дальнейшее развитие будет двигаться сразу в двух потоках:
• усиление Онто как универсального инструмента исследователя знания, усиление классификатора знаний;
• глубокая интеграция AI-ассистентов в интерфейс платформы.
В течение ближайшего года мы планируем:
• перейти от диаграмм к полноценным контекстам как основному механизму моделирования;
• позволить использовать сам контекст как объект, с собственными свойствами и связями;
• значительно упростить поиск и ориентирование внутри больших контекстов;
• сделать связи и свойства самостоятельными объектами модели (так знания становятся ещё более живыми и управляемыми);
• встроить AI-ассистентов в ключевые элементы интерфейса, чтобы они помогали не только классифицировать знания, но и вести исследование вместе с пользователем: подсказывать связи, уточнять контекст, помогать в моделировании ситуаций.
Они открывают пользователю возможность не просто описывать объекты, но и классифицировать исследуемое знание так же естественно, как это делает человек в реальной жизни.
В мире вокруг нас всё устроено слоями: организация состоит из департаментов, департаменты — из команд, команды — из проектных групп.
Раньше эта структура существовала только в голове исследователя, теперь она может существовать и в живой модели.
Шаблоны позволяют придать модели живую точность — ту самую необходимую и достаточную детализацию, которая помогает решать конкретную задачу без перегрузки лишней сложностью.
Теперь любая понятная пользователю абстракция — Организационная единица, Команда, Проектная команда — может стать самостоятельным типом, который классифицирует другие объекты.
И главное — шаблоны могут классифицировать не только сущности, но и другие шаблоны.
Это делает модель гибкой: вы можете начать с широкого понятия, затем уточнить его, затем уточнить уточнение — и все уровни будут связаны в единую смысловую сеть.
Онто помогает удерживать эту структуру и поддерживает её во всех контекстах, где ведётся исследование.
Так исследуемое знание превращается в живой контур:
от идеи — к структуре,
от структуры — к объектам,
от объектов — к связям,
от связей — к пониманию.
И всё это работает одинаково хорошо для:
• организационных моделей,
• производственных процессов,
• системных архитектур,
• исследовательских проектов,
• личных моделей внимания,
• жизненных ситуаций, которые человек анализирует интуитивно.
Онто
Карта развития Онто.
Дальнейшее развитие будет двигаться сразу в двух потоках:
• усиление Онто как универсального инструмента исследователя знания, усиление классификатора знаний;
• глубокая интеграция AI-ассистентов в интерфейс платформы.
В течение ближайшего года мы планируем:
• перейти от диаграмм к полноценным контекстам как основному механизму моделирования;
• позволить использовать сам контекст как объект, с собственными свойствами и связями;
• значительно упростить поиск и ориентирование внутри больших контекстов;
• сделать связи и свойства самостоятельными объектами модели (так знания становятся ещё более живыми и управляемыми);
• встроить AI-ассистентов в ключевые элементы интерфейса, чтобы они помогали не только классифицировать знания, но и вести исследование вместе с пользователем: подсказывать связи, уточнять контекст, помогать в моделировании ситуаций.
И мы будем рады, если пользователи Онто поделятся своими кейсами — что они строят, какие структуры исследуют, какие задачи помогают себе решать.
Это позволяет развивать Онто как систему, которая растёт вместе со своими исследователями.
Please open Telegram to view this post
VIEW IN TELEGRAM
Вот как «шаблон-объект» превращает любой текст в стройную модель знаний — и почему это удобно.
❓Зачем
• Единый язык: глава/раздел/абзац становятся объектами, а не “сырой простынёй”. Их можно ссылать, версионировать, сравнивать.
• Повторное использование: один и тот же раздел (например, “Интеграционный ландшафт”) живёт как объект и переиспользуется в других отчётах.
• Навигация и трассировка: от вывода → к фактам → к первоисточнику. Любая фраза имеет «адрес» в графе.
• Массовые операции: благодаря тому, что любой объект может стать шаблоном, меняем структуру отчёта или классификацию в одно действие.
• RAG по делу: ИИ работает не по PDF, а по формализованным фрагментам. Ответы точнее, ссылки — кликабельны.
❓Как сделать (хау-ту)
1. Заводим базовые шаблоны
o Глава (поля: цель, владелец, версия)
o Раздел (область, критичность, метрики)
o Абзац (тезис, цитата/источник, страница/якорь)
o Факт/Наблюдение, Риск, Рекомендация
Связи: включает →, обосновывает →, связан-с-риском →, привязан-к-источнику →.
2. Включаем «шаблон-объект»
Любой объект (например, существующий “Интеграционный ландшафт”) переводим в роль шаблона и используем как классификатор для новых разделов/абзацев.
3. Разбираем текст отчёта
🔹 Делим на главы/разделы/абзацы.
🔹 Каждый абзац — отдельный объект с ссылкой на первоисточник (файл, страница, таймкод).
🔹 Ядро смысла выносим в Факт/Наблюдение, от него вешаем Риск и Рекомендацию.
4. Собираем граф
Отчёт = Глава → Раздел → Абзац → (Факт → Риск → Рекомендация) с обратными ссылками на источники.
5. Автоматизируем
🔹 Шаблонные кнопки “разбить текст”/“создать абзацы из выделения”.
🔹 Агент, который предлагает риски и рекомендации из типовых библиотек.
🔹 Массовая переклассификация через сценарии проб (сначала на выборке, затем — bulk).
Как развивать
☑️ Библиотека доменных шаблонов: типовые главы/разделы для аудитов (платёжные контуры, закрытие дня, отчётность, миграция).
☑️ Каталог рисков и контролей: подключаем как справочник — абзац сразу “подсвечивает” релевантные риски/контроли.
☑️ Версионирование и сравнение отчётов: дифф по объектам — видно, что поменялось между аудитами.
☑️ Метрики полноты: дашборд “какие разделы закрыты фактами/рисками/рекомендациями”.
☑️ Генерация итогового PDF: отчёт собирается из объектов по шаблону, с автоматическими оглавлением и ссылками.
❓Зачем
• Единый язык: глава/раздел/абзац становятся объектами, а не “сырой простынёй”. Их можно ссылать, версионировать, сравнивать.
• Повторное использование: один и тот же раздел (например, “Интеграционный ландшафт”) живёт как объект и переиспользуется в других отчётах.
• Навигация и трассировка: от вывода → к фактам → к первоисточнику. Любая фраза имеет «адрес» в графе.
• Массовые операции: благодаря тому, что любой объект может стать шаблоном, меняем структуру отчёта или классификацию в одно действие.
• RAG по делу: ИИ работает не по PDF, а по формализованным фрагментам. Ответы точнее, ссылки — кликабельны.
❓Как сделать (хау-ту)
1. Заводим базовые шаблоны
o Глава (поля: цель, владелец, версия)
o Раздел (область, критичность, метрики)
o Абзац (тезис, цитата/источник, страница/якорь)
o Факт/Наблюдение, Риск, Рекомендация
Связи: включает →, обосновывает →, связан-с-риском →, привязан-к-источнику →.
2. Включаем «шаблон-объект»
Любой объект (например, существующий “Интеграционный ландшафт”) переводим в роль шаблона и используем как классификатор для новых разделов/абзацев.
3. Разбираем текст отчёта
🔹 Делим на главы/разделы/абзацы.
🔹 Каждый абзац — отдельный объект с ссылкой на первоисточник (файл, страница, таймкод).
🔹 Ядро смысла выносим в Факт/Наблюдение, от него вешаем Риск и Рекомендацию.
4. Собираем граф
Отчёт = Глава → Раздел → Абзац → (Факт → Риск → Рекомендация) с обратными ссылками на источники.
5. Автоматизируем
🔹 Шаблонные кнопки “разбить текст”/“создать абзацы из выделения”.
🔹 Агент, который предлагает риски и рекомендации из типовых библиотек.
🔹 Массовая переклассификация через сценарии проб (сначала на выборке, затем — bulk).
Мини-пример (аудит банковской системы)
1. Глава: Интеграционный ландшафт
1.1 Раздел: Способы интеграции
1.1.1 Абзац: “Используются MQ, файлы, REST; есть прямой доступ к БД.” (источник: стр. 12)
1.1.2 Факт: Обнаружен прямой доступ к БД из внешнего контура
1.1.3 Риск (высокий): обход сервисного слоя, утечки, сложность мониторинга
1.1.4 Рекомендация: убрать прямые коннекты; ввести API-шлюз, аудит и трассировку
2 Глава: Миграционная стратегия
2.1 Раздел: Перенос данных
2.1.1 Абзац: “Планируется dual-write и backfill.” (стр. 27)
2.1.2 Факт: Выбран подход dual-write + backfill
2.1.3 Риск (средний): расхождение состояний при сбоях
2.1.4 Рекомендация: CDC + идемпотентность + чёткая стратегия rollback
Как развивать
☑️ Библиотека доменных шаблонов: типовые главы/разделы для аудитов (платёжные контуры, закрытие дня, отчётность, миграция).
☑️ Каталог рисков и контролей: подключаем как справочник — абзац сразу “подсвечивает” релевантные риски/контроли.
☑️ Версионирование и сравнение отчётов: дифф по объектам — видно, что поменялось между аудитами.
☑️ Метрики полноты: дашборд “какие разделы закрыты фактами/рисками/рекомендациями”.
☑️ Генерация итогового PDF: отчёт собирается из объектов по шаблону, с автоматическими оглавлением и ссылками.
‼️✅ Итог
«Шаблон-объект» делает текст управляемым: из линейного документа он становится живым графом с повторным использованием, массовыми изменениями и точной ссылочностью. Для аудитов это экономит время, уменьшает риски и радикально повышает прозрачность выводов.
👍3🔥2
🚀 Друзья, нужен небольшой экспертный взгляд!
Мы сейчас готовим арабскую версию Онто — экземпляр для стран Ближнего Востока:
🔗 https://app.ontonet.ae/
Если вы владеете арабским языком или хорошо понимаете специфику интерфейсов для арабоязычной аудитории, буду очень благодарен за помощь.
Нужно просто посмотреть, насколько комфортно работать в системе, и отметить места, где перевод или поведение интерфейса выглядят непривычно.
Для нас это важный шаг, чтобы Онто было по-настоящему удобным и естественным для пользователей из региона 🌍
Если готовы помочь — отпишитесь в комментариях или в личку, я расскажу детали.
Мы сейчас готовим арабскую версию Онто — экземпляр для стран Ближнего Востока:
🔗 https://app.ontonet.ae/
Если вы владеете арабским языком или хорошо понимаете специфику интерфейсов для арабоязычной аудитории, буду очень благодарен за помощь.
Нужно просто посмотреть, насколько комфортно работать в системе, и отметить места, где перевод или поведение интерфейса выглядят непривычно.
Для нас это важный шаг, чтобы Онто было по-настоящему удобным и естественным для пользователей из региона 🌍
Если готовы помочь — отпишитесь в комментариях или в личку, я расскажу детали.
🔥4
Иногда всё начинается с простой задачи — выгрузить диаграмму и туда, и сюда: в Confluence, в BI, в DrawIO…
OntoAI показывает, как модели LLM читают граф знаний Onto и превращают его в код, схемы и аналитику.
📘 Читайте статью:
Интеллект в графе: как структурированное знание становится капиталом
Но за этим стоит большее — оцифрованное знание, которое становится понятным и для человека, и для искусственного интеллекта.
OntoAI показывает, как модели LLM читают граф знаний Onto и превращают его в код, схемы и аналитику.
📘 Читайте статью:
Интеллект в графе: как структурированное знание становится капиталом
ontonet.ru
Интеллект в графе: как структурированное знание становится капиталом
<em>OntoAI и новая роль онтологий в эпоху GenAI</em>
У Онто множество инструментов — от OntoAI до MCP-server и ассистентов вроде OntoDev и Thesaurus Assistant.
Но для моей ежедневной работы важнее всего оказался один маленький механизм: способность быстро превратить документ в структуру знаний.
Так родился мой семантический ритуал и OntoLex — ассистент, который собирает словарь и связи за меня.
В статье разобрал весь процесс: от презентации до живой онтологии.
Но для моей ежедневной работы важнее всего оказался один маленький механизм: способность быстро превратить документ в структуру знаний.
Так родился мой семантический ритуал и OntoLex — ассистент, который собирает словарь и связи за меня.
И именно это неожиданно решило одну из главных проблем взаимодействия с заказчиками:
мы начали видеть одну и ту же картину мира.
В статье разобрал весь процесс: от презентации до живой онтологии.
👍3
This media is not supported in your browser
VIEW IN TELEGRAM
Я долго писал про “семантический ритуал” — как превращать документы в живую онтологию: не текст, а структуру смыслов, с которой можно работать.
А потом меня догнала мысль: а почему процессы мы до сих пор описываем как мёртвые схемы?
BPMN, регламенты, вики-страницы… Всё это красиво живёт ровно до первого реального изменения. Дальше начинается дрейф: модель отдельно, реальность отдельно, люди интерпретируют “как поняли”.
Я попробовал сделать иначе: процесс как живую онтологию.
В Онто у меня:
• задачи — это объекты,
• зависимость “ход” — это связь,
• а состояние задачи — это не поле, а шаблон (тип объекта).
Когда задача становится “Выполнена”, движок пересчитывает граф и автоматически переводит следующие задачи в “Назначена”. Получается не “workflow”, а исполняемая модель — очень близко к MBSE-логике: сначала модель, потом её интерпретация.
В видео — короткий фрагмент прототипа: как “выполнение” одной задачи активирует следующий этап целого блока.
Статья уже на подходе: там разложу по полочкам, почему это вообще MBSE, чем живые онтологии отличаются от “диаграммы ради диаграммы”, и как такой подход масштабируется дальше (проверки, симуляции, “что если”, цифровая тень процесса).
#онтология #mbse #n8n #процессы #knowledgegraph #онтонет #onto
А потом меня догнала мысль: а почему процессы мы до сих пор описываем как мёртвые схемы?
BPMN, регламенты, вики-страницы… Всё это красиво живёт ровно до первого реального изменения. Дальше начинается дрейф: модель отдельно, реальность отдельно, люди интерпретируют “как поняли”.
Я попробовал сделать иначе: процесс как живую онтологию.
В Онто у меня:
• задачи — это объекты,
• зависимость “ход” — это связь,
• а состояние задачи — это не поле, а шаблон (тип объекта).
И вот дальше начинается магия, которую я показываю в видео:
n8n не хранит процесс и не “ведёт сценарий”. Он просто исполняет модель.
Когда задача становится “Выполнена”, движок пересчитывает граф и автоматически переводит следующие задачи в “Назначена”. Получается не “workflow”, а исполняемая модель — очень близко к MBSE-логике: сначала модель, потом её интерпретация.
В видео — короткий фрагмент прототипа: как “выполнение” одной задачи активирует следующий этап целого блока.
Статья уже на подходе: там разложу по полочкам, почему это вообще MBSE, чем живые онтологии отличаются от “диаграммы ради диаграммы”, и как такой подход масштабируется дальше (проверки, симуляции, “что если”, цифровая тень процесса).
#онтология #mbse #n8n #процессы #knowledgegraph #онтонет #onto
👍2
Друзья, у нас к вам просьба без маркетинговой мишуры — зато честно.
Онто сейчас доступна бесплатно, и часть из вас уже ведёт на платформе реально полезные кейсы: проекты, словари, процессы, заметки, “живые” модели.
Нам правда нравится то, что мы делаем. Но чтобы это продолжалось, нам нужны ваши кейсы — публичные, настоящие, приземлённые.
Если у вас уже есть что показать — напишите короткую историю:
• что вы пытались решить (боль/задача),
• как разложили это в Онто (какие объекты/связи/диаграмма),
• что стало лучше (скорость, ясность, коммуникации, контроль, повторяемость),
• и один скрин/картинка “до/после” (идеально).
Где публиковать: Хабр, TenChat, Telegram, VC, личный блог — любое место. Можно даже коротким постом, без лонгрида.
А ссылку — кидайте сюда в канал/в комментарии. Мы соберём подборку кейсов и будем продвигать авторов (и, да, это помогает платформе выжить).
Вселенная странная штука: иногда продукт живёт не за счёт фич, а за счёт историй людей, которые нашли ему смысл. Давайте соберём эти истории.
Онто сейчас доступна бесплатно, и часть из вас уже ведёт на платформе реально полезные кейсы: проекты, словари, процессы, заметки, “живые” модели.
И вот важная штука: единственная рациональная причина держать платформу живой и развивать её дальше — это видимая активность и истории пользователей, которые доказывают, что всё это не “игрушка для авторов”, а рабочий инструмент.
Нам правда нравится то, что мы делаем. Но чтобы это продолжалось, нам нужны ваши кейсы — публичные, настоящие, приземлённые.
Если у вас уже есть что показать — напишите короткую историю:
• что вы пытались решить (боль/задача),
• как разложили это в Онто (какие объекты/связи/диаграмма),
• что стало лучше (скорость, ясность, коммуникации, контроль, повторяемость),
• и один скрин/картинка “до/после” (идеально).
Где публиковать: Хабр, TenChat, Telegram, VC, личный блог — любое место. Можно даже коротким постом, без лонгрида.
А ссылку — кидайте сюда в канал/в комментарии. Мы соберём подборку кейсов и будем продвигать авторов (и, да, это помогает платформе выжить).
Вселенная странная штука: иногда продукт живёт не за счёт фич, а за счёт историй людей, которые нашли ему смысл. Давайте соберём эти истории.
👍5❤4🔥1
Пост-апдейт: статья вышла ✅
Помните мой прошлый пост про “процесс как живую онтологию”, где:
• задачи — это объекты,
• “ход” — это связь,
• а состояние — это шаблон (тип объекта), а не поле?
Я обещал разложить всё по полочкам — и вот, наконец, результат:
«Живая онтология процессов: от смысловой модели к автоматизации»
https://ontonet.ru/learning/tpost/7fxav0j7l1-zhivaya-ontologiya-protsessov-ot-smislov
🎥 Видео я вставляю прямо в статью — будет видно “до/после” на живой модели.
Если интересно, куда это можно развивать дальше (проверяемость, симуляции, “что-если”, цифровая тень процесса) — тоже есть, но без фантазий: что уже можно, и что пока честно прототип.
#ontonet #knowledgegraph #n8n #mbse #процессы #онтология #automation
Помните мой прошлый пост про “процесс как живую онтологию”, где:
• задачи — это объекты,
• “ход” — это связь,
• а состояние — это шаблон (тип объекта), а не поле?
Я обещал разложить всё по полочкам — и вот, наконец, результат:
«Живая онтология процессов: от смысловой модели к автоматизации»
https://ontonet.ru/learning/tpost/7fxav0j7l1-zhivaya-ontologiya-protsessov-ot-smislov
Что внутри (по-инженерному, без магического мышления):
• почему процессы в BPMN/регламентах “умирают” и дрейфуют от реальности;
• минимальная модель: Процесс → Задачи → связь “Ход”, и как из этого рождается продвижение этапов;
• как n8n у меня работает не как сценарий, а как интерпретатор модели: читает граф и делает переходы (смена шаблона у задач);
• мини-кейс “волны”: одна выполненная задача активирует следующий блок задач (в статье + видео).
🎥 Видео я вставляю прямо в статью — будет видно “до/после” на живой модели.
Если интересно, куда это можно развивать дальше (проверяемость, симуляции, “что-если”, цифровая тень процесса) — тоже есть, но без фантазий: что уже можно, и что пока честно прототип.
#ontonet #knowledgegraph #n8n #mbse #процессы #онтология #automation
🔥4👍1
Хороший пример того, как работает контекст, когда он собран и удержан.
Такие материалы особенно ценны, если дополнительно классифицировать их: здание, эпоха, стиль, авторы, инженерные решения — тогда знание перестаёт быть просто текстом и начинает работать как модель.
Отдельно рекомендую канал Владимира о Москве — там как раз много таких «слоёв»: архитектура, история, город как система, а не набор фактов.
Такие материалы особенно ценны, если дополнительно классифицировать их: здание, эпоха, стиль, авторы, инженерные решения — тогда знание перестаёт быть просто текстом и начинает работать как модель.
Отдельно рекомендую канал Владимира о Москве — там как раз много таких «слоёв»: архитектура, история, город как система, а не набор фактов.
👍1
Forwarded from Москва и записки химика-экскурсовода (Владимир Хозяйский)
Это чудо-постройка находится рядом с храмом Христа Спасителя и известна как дом Перцовой (Соймоновский проезд, 1). Участок с существовующим 3-этажным домом в начале XX века выкупил инженер путей сообщения Петр Перцов, он же выбрал автора проекта и контролировал перестройку здания.
Автором дома стал художник Сергей Малютин. Чтобы лучше представить общую компоновку здания, он вылепил его модель из глины. Стены облицевали красным кирпичом, а на фасаде появилась майолика, выполненная артелью художников "Мурава". Также дом украсили деревянная резьба и литые детали.
Были применены новейшие для 1900-х годов технические решения: телефоны, лифты, принудительная вентиляция. Провода, водопровод, канализация были спрятаны внутри стен. В создании дома участвовали также архитектор Николай Жуков и инженер Борис Шнауберт. Постройка, законченная в 1907 г., была оформлена на жену Петра Перцова Зинаиду.
P. S. Прилагаю схему с перечисленными персоналиями, выполненную с помощью приложения Онто (ontonet.ru)
Автором дома стал художник Сергей Малютин. Чтобы лучше представить общую компоновку здания, он вылепил его модель из глины. Стены облицевали красным кирпичом, а на фасаде появилась майолика, выполненная артелью художников "Мурава". Также дом украсили деревянная резьба и литые детали.
Были применены новейшие для 1900-х годов технические решения: телефоны, лифты, принудительная вентиляция. Провода, водопровод, канализация были спрятаны внутри стен. В создании дома участвовали также архитектор Николай Жуков и инженер Борис Шнауберт. Постройка, законченная в 1907 г., была оформлена на жену Петра Перцова Зинаиду.
P. S. Прилагаю схему с перечисленными персоналиями, выполненную с помощью приложения Онто (ontonet.ru)
👍3
Media is too big
VIEW IN TELEGRAM
Прокачал прототип “живой онтологии процесса” ещё на один уровень — теперь он не просто активирует задачи, а назначает исполнителя алгоритмом (без AI-лотереи).
Раньше логика была такая:
✅ задача стала “Выполнена” → движок пересчитал граф → следующие задачи перешли в “Назначена”.
Теперь добавил следующий шаг:
✅ задача перешла в “Назначена” → движок находит подходящего исполнителя по правилам → создаёт связь “задача → исполнитель”.
На видео — короткий фрагмент: как задача активируется, движок ищет исполнителя и связывает задачу с ним прямо в онтологии.
#ontonet #knowledgegraph #n8n #процессы #онтология #automation #raci #workflow
Раньше логика была такая:
✅ задача стала “Выполнена” → движок пересчитал граф → следующие задачи перешли в “Назначена”.
Теперь добавил следующий шаг:
✅ задача перешла в “Назначена” → движок находит подходящего исполнителя по правилам → создаёт связь “задача → исполнитель”.
То есть “назначение” у меня больше не ручной шаг и не “пусть нейросеть решит”, а нормальная инженерная штука:
🔹понятные критерии,
🔹предсказуемый результат,
🔹воспроизводимость (одинаковый вход → одинаковый назначенный человек),
🔹и главное — всё фиксируется в модели: кто почему назначен, и где это в графе.
На видео — короткий фрагмент: как задача активируется, движок ищет исполнителя и связывает задачу с ним прямо в онтологии.
Дальше хочу развивать это в сторону “процесс как исполняемая модель”: чтобы на одном графе можно было и видеть смысл, и проверять правила, и двигать работу без разрыва между “описали” и “сделали”.
#ontonet #knowledgegraph #n8n #процессы #онтология #automation #raci #workflow
🔥1
Media is too big
VIEW IN TELEGRAM
Каждый Новый год начинается одинаково: «вроде всё купили», а заканчивается поиском огурцов, батареек и здравого смысла 🎄
В этот раз мы решили пойти против хаоса и собрали онтологию праздничного стола: меню, блюда, рецепты, продукты, остатки и закупку — в одном графе.
Получилась новогодняя сказка: холодильник оказался порталом, оливье — моделью, а OntoAI — верным Ланселотом, который по инструкции проходит по графу и возвращается с объяснимым планом покупок. Без магии, но с причинно-следственными связями — а они, как выяснилось, работают надёжнее новогодних обещаний.
🎁 Эта статья — наш маленький новогодний подарок всем начинающим онтонавтам, онтологам, знаниеведам и просто тем, кто чувствует, что в мире знаний хочется не текста ради текста, а структуры, смысла и живых моделей.
Подарок не в виде «как надо», а в виде примера: как даже бытовую задачу можно превратить в аккуратную, объяснимую и работающую модель.
🎉 С наступающим 2026 годом!
Пусть в новом году ваши графы будут связными, модели — минимальными, знания — живыми, а решения — спокойными. Пусть будет меньше хаоса и больше радости от того, что всё на своих местах.
И пусть 2026-й станет годом, когда даже Дед Мороз работает по онтологии — и подарки доходят без missing-dependencies ✨
В этот раз мы решили пойти против хаоса и собрали онтологию праздничного стола: меню, блюда, рецепты, продукты, остатки и закупку — в одном графе.
Получилась новогодняя сказка: холодильник оказался порталом, оливье — моделью, а OntoAI — верным Ланселотом, который по инструкции проходит по графу и возвращается с объяснимым планом покупок. Без магии, но с причинно-следственными связями — а они, как выяснилось, работают надёжнее новогодних обещаний.
🎁 Эта статья — наш маленький новогодний подарок всем начинающим онтонавтам, онтологам, знаниеведам и просто тем, кто чувствует, что в мире знаний хочется не текста ради текста, а структуры, смысла и живых моделей.
Подарок не в виде «как надо», а в виде примера: как даже бытовую задачу можно превратить в аккуратную, объяснимую и работающую модель.
🎉 С наступающим 2026 годом!
Пусть в новом году ваши графы будут связными, модели — минимальными, знания — живыми, а решения — спокойными. Пусть будет меньше хаоса и больше радости от того, что всё на своих местах.
И пусть 2026-й станет годом, когда даже Дед Мороз работает по онтологии — и подарки доходят без missing-dependencies ✨
🔥13❤1