🛸Химия знаний: роль онтологий
#career #ai
Время на прочтение - 5 минут
Сложность - 4/10

Сегодня опять оффтоп. В следующий раз обещаю вернуться ближе к мокрой химии😐

Не так давно в карьерном тумане войны с удивлением для себя обнаружил новый подкласс персонажей - инженеры знаний. В эпоху agentic AI и RAG всё чаще возникает запрос на систематизацию доменных знаний. И удобнее всего их организовывать в виде онтологий и графов знаний.

Что решают онтологии?🐍
Онтологии используются как единый словарь терминов, чтобы не называть одно и то же разными словами. Например, ацетилсалициловую кислоту можно называть "аспирин", "АСА" или "2-ацетоксибензойная кислота". Если в системе есть определенный ID, то поиск, выводы алгоритмов и интеграция данных будут опираются на однозначную сущность, а не на разрозненные названия.
Это всегда было важно для LIMS/ELN, обмена данными между R&D и производством, клинических систем и регуляторных документов, где требуются единые терминологии.

Роль в современном AI💻
Сейчас же онтологии работают как "семантические якоря" - скелет, на который LLM накидывает ответы, вместо того чтобы галлюцинировать. AI хорошо работает с данными, но плохо работает с контекстом, которого нет в обучении. Этот контекст как раз и кодируется в онтологиях. RAG подкрепленная онтологией сильно сужает пространство ответов до химически валидных и логически согласованных вариантов и заметно снижает долю галлюцинаций модели.

Примеры Big Pharma💊
AstraZeneca - граф знаний ускорил поиск новых биологических мишеней. Roche - объединила химию, биологию и клинику в граф из 5B семантических единиц. BASF - RAG платформа QKnows сократила исследования с 18 месяцев до нескольких недель.

Специалисты👤
- Основные роли: Ontology Engineer, Knowledge Engineer, Ontologist.
- Требуемые навыки: RDF, OWL, SPARQL, Neo4j, семантическое моделирование.
Казалось бы, что это мимо кассы, при чем тут химия. Но именно сейчас в этой узкой области требуются специалисты с доменной экспертизой (химические инженеры, CMC специалисты). Их вовлечение нужно для перевода неявного знания в формальную структуру онтологии. Вот например архив вакансии в GSK на специалиста для формирования CMC-онтологии.

Стандартизация⚙️
Область систематизации знаний не настолько зарегулирована, но есть инициативы типа Pistoia Alliance, или NFDI4Chem, которые позволяют гармонизировать онтологии между компаниями и не изобретать велосипед.

Рост спроса💰
Звучит как что-то слишком нишевое, но с выходом AI на плато продуктивности спрос на подобных специалистов явно вырастет еще больше. В среднем рост рынка графов знаний прогнозируется на 36.6% в год до 2030 года.
И пока общественное внимание к AI занято игрульками вроде Sora и вайб-кодингом, внутри компаний происходит более приземлённый сдвиг: если привязать хорошую модель к структурированным знаниям, R&D и принятие решений начинают ощутимо ускоряться. При этом конечно главное, чтобы улучшения окупали хостинг/аренду GPU, но ответ на это мы получим только в 2027 году.

Итого✅
Таким образом ответ на "куда девать людей, если AI заменит рутину?" простой: учить AI работать правильно, чтобы его можно было применять в узких специфических областях (медицина, химия, инженерия).

Поэтому, если вам поднадоела текущая роль, а терпимость к рутинной, но фундаментальной работе есть - почему бы не рассмотреть такой карьерный сдвиг? Специалисты, способные построить мост между AI и предметной областью, будут только нужнее.

Mind the gap - especially the expertise gap

Пост - 45 минут