🧠 「エージェントに正確な業務文脈をどう渡すか」への一つの答え。既存データからオントロジーと知識グラフを自動で作り、MCPで供給するOSSです。 タイトル: Context Ontology Accelerator (aws/context-ontology-accelerator) URL: AWSが公開した、AIエージェントに検証済みのビジネス文脈を与えるセマンティックなコンテキスト層。注目ポイントは3つです。 🔎 Scan→Model→Serveの3段パイプライン 多様なデータ源に接続してスキーマ発見・文書取り込み（Scan）、形式オントロジーと統一知識グラフを構築（Model）、VKGのSPARQLフェデレーションとMCPで公開（Serve）。手動の知識工学に頼らず既存データから意味構造を導きます。 ✅ 推論エンジンで整合性を検証 HermiTやELKでオントロジーの一貫性を検証し、形式制約に基づくルール検証が可能。エージェントが「学習データの記憶」でなく検証済みの業務ルールを問い合わせられます。 🏗 AWSネイティブで実運用志向 AWS CDKでデプロイ、Ontopを使ったVKG、名前空間ごとのRBAC（owner/maintainer/data-steward/data-analyst）。API設計はSmithy、UIはReact+Cloudscape。 説明可能性を保ちつつ、エージェントを検証済みの文脈で動かす土台になりそうです。 #KnowledgeGraph# #AIエージェント#

🕸 テキストを「概念のグラフ」に変えて、ベクトルDBの代わりにRAGの検索器として使う。ローカル完結で試せるOSSです。 タイトル: rahulnyk/knowledge_graph URL: 🔍 概要 非構造テキストから、固有表現ではなく「概念」とその関係を抽出して知識グラフを作るプロジェクトです。Graph-Augmented Generation（GRAG）や知識ベースQAに使えます。 🧩 解決する課題 従来のテキスト解析は、概念どうしの絡み合いや隠れたつながりを捉えにくい問題がありました。意味を保ったまま問い合わせできるグラフにすることで、深い文書理解を可能にします。 🛠 方法論と提案手法 6ステップ（クリーニング→概念抽出→関係抽出→スキーマ化→ノード/エッジ生成→可視化）で構築。エッジは2種の重みを持ち、W1はLLMが抽出した明示関係、W2は同一チャンク共起。次数とコミュニティでノードの大きさと色を決めます。 💻 技術スタック ・LLM: Mistral 7B OpenOrca（GPT API不要） ・サービング: Ollamaでローカル完結 ・グラフ: NetworkX、可視化: Pyvis、データ: Pandas 🎯 ユースケース ベクトルDBの代わりにグラフを検索器に使うGraph RAG、隠れた関連の発見、中心性分析、コミュニティ検出など。 #KnowledgeGraph# #GraphRAG#

📄 ドキュメントをアップロードするだけでナレッジグラフが構築できる時代へ。Neo4jの新機能「Document Intelligence」がAuraに登場！ タイトル: Introducing Document Intelligence: From documents to a knowledge graph, right inside Aura URL: 📦 概要 Neo4jのフルマネージドグラフDB「Aura」に、非構造化ドキュメントからナレッジグラフを直接構築する「Document Intelligence」機能が追加されました。PDF、契約書、技術文書などをアップロードするだけで、エンティティ抽出、名寄せ、グラフ構築までをプラットフォーム内で完結できます。 ❓ 解決する課題 企業データの大部分は非構造化ドキュメントに眠っていますが、そこからナレッジグラフを構築するには、LLMによるエンティティ抽出、エンティティ解決、グラフスキーマ設計といった複雑なパイプライン構築が必要でした。この技術的なハードルが、ナレッジグラフ活用を一部の専門チームに限定していました。 💡 方法論と提案手法 LLMベースのエンティティ抽出で人物・組織・概念を自動識別し、異なるドキュメント間の同一エンティティを名寄せして統合。抽出された関係性からグラフスキーマを推論してAuraDB上にナレッジグラフを構築します。構築したグラフはそのままAura Agent、GenAI Copilot、GraphRAGの知識基盤として活用可能です。 🛠 ユースケース ・法務チームが大量の契約書から義務関係を抽出してコンプライアンスチェックを自動化 ・製薬企業が論文や臨床試験レポートから分子と疾患の関係を構造化して創薬研究を加速 ・ベクトル検索だけでは捉えきれない構造的関係性をグラフが補完し、RAGの回答精度を向上 #KnowledgeGraph# #Neo4j#