# Learning Palantir Foundry 🚀 Put business logic right on the ontology. Functions cure the "numbers don't match across departments" problem by centralizing logic in one place. 📌 Title and Feature URL Title: ファンクション URL: 📝 Overview Functions let you write server-side logic that executes in isolated environments, powering operational apps like dashboards and decision-support tools. They are designed to work with Foundry ontologies, so they can read object properties, traverse links, and perform flexible ontology edits. 🔧 How It Works - Supported languages: TypeScript (full feature support) and Python (beta, with growing support especially for serverless and deployed execution). - Serverless execution: spins up on demand when invoked and bills only during execution, with a 60-second total wall-clock timeout (30s CPU plus a 30s network buffer). Multiple versions can run simultaneously, making upgrades safer. - Deployed execution: reserves dedicated resources for cases serverless cannot meet, runs a single version at a time, and bills continuously while deployed. - Capability differences: ontology read/write, Workshop integration, and external API calls work in both languages. Pipeline Builder is Python, while model embedding and semantic search are TypeScript. 🛠 Practical Usage - Derived properties: display function-computed values as table columns. - Function-backed Actions: implement complex edits spanning multiple objects. - Workshop integration: run functions to compute or display variables. - API gateway: invoke query functions programmatically to reuse the same logic everywhere. 🎯 Use Cases - Implement derived-KPI logic once and return identical results to Workshop, OSDK, and the API. - Query external systems to enrich ontology objects. - Build complex validation or bulk updates as function-backed Actions. ⚠️ Caveats - The 60-second timeout applies uniformly across execution modes, so optimize for efficiency. - Available capabilities depend on the invocation context (for example, model embedding and semantic search are TypeScript only), so decide on language early. #PalantirFoundry# #DataEngineering#

データエージェントが毎回スキーマを手探りでクエリし続ける問題、実は「証拠に基づいて自己進化するオントロジー」を1枚挟むだけで大きく改善できるようです。 タイトル: EvoOntology: A Self-Evolving Ontology Layer for Data Agents URL: 📝 概要 表・ファイル・DBなど異種データを扱うエージェント向けに、MCPサーバーとして実装した「自己進化するオントロジー層」EvoOntologyを提案しています。 ❗ 解決する課題 エージェントはデータ構造への事前知識がなく探索的クエリを繰り返す必要がありました。静的なセマンティックレイヤーは手動保守が必要で、実行履歴から適応できないという限界もありました。 ⚙️ 方法論 実際にプローブクエリで検証済みの候補だけをオントロジーに採用し、その後もエージェントの実行軌跡から介入候補を抽出して、元の状態とペアで検証した上で改善が見込める場合のみ更新する仕組みです。 📊 実験結果 DDR-Benchで6バックボーン平均+17.8ポイント改善、BIRDでも平均+8.6ポイント改善し先行研究を上回りました。しかも対話ターン数は14.6→8.4、トークン数も約20%削減されています。 🔬 ユースケース 静的セマンティックレイヤーがモデルによってはむしろ性能を下げる場面でも、EvoOntologyは一貫して改善しており、実運用のデータエージェント基盤に組み込みやすい設計です。 #データエージェント# #LLM#

Amazon S3 に眠ったままのデータ、 動かさずに AI エージェントの基盤へ → Google Cloud の最新データ分析ポートフォリオ SOAP（Semantic and Ontology Agent Platform）アーキテクチャは、データを動かさずにつなぎ、意味と知識の層で AI をグラウンディングします。

【オントロジーなきFDE、ただの開発屋】ーPalantir, OpenAI証明FDEが自律駆動させるOperational Ontology, a16z提唱Service-led-Growthをぎゅっと2時間でFDEの全体像を解説したよ！ 日本でも乱立FDEですが、単なる現場AI開発やAgent活用のケースが散見。本当に成果がでるFDEを Palantir x Airbus, Open AI x John Deerまど事例とフレームワークたっぷり 80枚＋のスライドの大作です。講義スライド、議事録はAI活用で自社に応用もききます ・95%が導入、成果は5% ── AI導入企業は世界の95%に達するも、意味あるROIを出せているのはわずか5%、この「実装ギャップ」こそが最大の経営課題 ・鍵は「オペレーショナル・オントロジー」 ── 名刺（セマンティック）・動詞（キネティック）・経営整合（ダイナミック）の三層構造、これがAIを「コパイロット」から「オートパイロット」へ変える設計図 ・エアバスは33%高速化、航空OSは2400億円削減 ── パランティア発のオントロジーが「スカイワイズ」という産業OSに進化、1社の効率化が業界インフラへ転換した好例 ・粗利54%→80%、営業利益率60%超 ── 労働集約的に見えたFDEモデルが、いったん定着すれば爆発的スケール、売上成長率＋利益率が145%という異次元の経営指標も と、構造、ベストプラクティス、数値で、非エンジニアでも活用いただけたら

🧠 「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#

スキーマは「何があるか」は教えてくれますが、「それが何を意味するか」までは教えてくれません。Neo4jがAIエージェント向けの答えとして、オントロジーのオープン仕様を発表しました 🧭 The Neo4j Ontology Graph Specification: A pragmatic, open, AI-first approach ドメイン知識を、JSONまたはYAMLの1ファイルで機械可読に記述するオープンソースの仕様です。ライセンスはApache 2.0で、SDKはJVM、JavaScript、Goに対応しています。 注目ポイント 🛠️ Pragmatic（実用的） ノード、関係、プロパティ、制約、インデックスを、1つのファイルで定義できます。公開されたJSON Schemaで検証でき、既存の開発・運用の流れに組み込めます。 🔗 Interoperable（相互運用） RDFS、OWL、SKOS、SHACLなどW3C標準を土台にし、RDFSとSHACLの構成要素との対応を文書化しています。全要素のreferenceフィールドで、外部の標準用語にもリンクできます。 🤖 AI-first 例えば「Account」が銀行口座なのか、別名は何か、どの識別子（IBANなど）が当てはまるのかを、説明と別名でエージェントに伝えます。1つのオントロジーを、制約、データ導出、エージェントの文脈として使い回せます。 意味を一度書いて、データベースとエージェントの両方で使うという考え方が軸です。なお、RDFシリアライズは現時点ではなく、記事に性能評価はありません。 #Neo4j# #GraphRAG#

意思決定支援・実行のためのAIエージェントプラットフォーム「Sakana Aquarium」を発表 Aquariumは、Sakana AIがこれまでのAI実装の現場で繰り返し直面してきた課題から生まれたプラットフォームです。 AIによる意思決定支援を実務につなげるには、モデルの性能だけでなく 、AIが組織のデータの意味や関係、判断の前提となるルールを理解している必要があります。これまでは、そのためのデータ接続や用語・判断基準の整理、手順の設計を案件ごとに一から行ってきました。Aquariumは、この土台を共通の基盤として整え、その上でAIエージェントによる判断と実行までを支えます。 ① データをつなぎ、意味づける（Ontology） テーブルや文書など既存のデータを移し替えずにつなぎ、それぞれの意味や関係を定義します。AIはこれをもとに状況を理解します。 ② 手順に沿ってAIが動く（Managed Agents） 「情報の収集 → AIによる判断 → 人の承認 → 実行」といった流れをワークフローとして記述するだけで、AIエージェントとして動かせます。 ③ 人が統制し、事後に検証できる（Governance） アクセス権限や承認のタイミングを設定でき、AIが何を根拠に判断し、何を実行したかも記録されます。 Sakana AIでは、今後もAquariumの機能を拡充するとともに、FDEがお客様とともに構築と検証を重ね、組織全体へのAI活用を推進していきます。 ブログ：

# Learning Palantir Foundry 🚀 Action Types are what decisively separate Foundry from read-only BI. Approvals and assignments become safe, validated, structured writes. 📌 Title and Feature URL Title: アクションタイプ URL: 📝 Overview An Action Type defines a set of changes a user can apply to ontology objects, properties, and links in a single transaction. It encapsulates both the data modifications and any side effects triggered on submission, letting users think in terms of overall goals rather than individual property edits. 🔧 How It Works - Write-back to the ontology: when an action runs, all changes are committed to the ontology and reflected across every app. The latest object data, including user edits, is captured in the object type's write-back dataset. - Parameters and defaults: parameters standardize input, supporting default values, filtered dropdown results, and overrides. - Rules: define when and how an action executes, including object relationships and property constraints. - Submission criteria and validation: validation rules control execution eligibility and error handling before changes persist. - Action logs: a full audit trail of every executed action supports accountability and compliance. 🛠 Practical Usage - Run an "Assign Employee" style action that changes a role property, auto-creates a manager-employee link, and notifies stakeholders in one transaction. - Embed submission criteria like "only a director may submit amounts over 1M yen" as validation, replacing Excel-plus-email approvals with structured operations. - Reuse the same validation logic and workflow consistently across every user-facing app. 🎯 Use Cases - Standardize status changes, approvals, and assignments as permissioned, criteria-bound operations. - Let non-technical users safely execute multi-step changes spanning several objects. - Use the action log of every operation as an audit trail for internal controls. ⚠️ Caveats - Actions execute only after passing their validation rules, so submission-criteria design drives the quality of your controls. - Changes propagate immediately across the ontology and all apps, so do not leave rule and parameter design ambiguous. #PalantirFoundry# #Ontology#

AIエージェントの回答を「検証可能で説明できる事実」に根拠づける——ナレッジグラフ＋GraphRAG＋エージェントのフルスタックをまるごとオープンソースで提供する基盤です🕸️ タイトル: trustgraph-ai/trustgraph URL: 🕸️ 概要 AIエージェントのためのオープンソースのセマンティック・デプロイメント基盤です。コアは「コンテキストグラフ」（ドメイン知識を構造化しクエリ可能にした表現）。コンテキストグラフ・メモリ・検索・オーケストレーション・推論を、決定論的なエージェント向けにフルスタックで提供します。 ❓ 解決する課題 LLM単体では、なぜその答えになったのかを辿りにくく、ハルシネーションのリスクもあります。 ・エージェントの回答を、検証可能で説明可能な事実に根拠づけるのが難しい ・TrustGraphはナレッジグラフ構築とGraphRAGを組み合わせ、意味的に豊かで検証可能なコンテキストにアクセスできるようにします ・しかも主権的に管理できるプライベート環境で実現します 💡 主な特徴 ・マルチモデルDB（表・KV・ドキュメント・グラフ・ベクトル）とマルチモーダル対応、エンティティ/関係の自動抽出 ・DocumentRAG・GraphRAG・OntologyRAGのパイプラインと、3D GraphVizによる可視化 ・単一/マルチエージェント、ReAct・Plan-then-Execute・Supervisorパターン、MCP統合 ・Context Cores：スキーマ・グラフ・埋め込み・エビデンス・検索ポリシーを束ね、コンテキストをコードのようにバージョン管理 🌍 技術スタック / 使い方 ストレージはCassandra・Qdrant・Garage、メッセージングはPulsar等、LLMはAnthropic/OpenAI/Google等＋ローカル推論（vLLM/Ollama等）に対応。npx @trustgraph/configで構成し、ポート8888のUIから利用できます。Apache 2.0ライセンスです。 #GraphRAG# #ナレッジグラフ#