TGViewer
Channel Public Channel
Онто.

Онто.

@ontonet

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
Subscribers
336
Photos
219
Videos
98
Links
176

Showing posts older than #416 · Back to latest

Older Posts 18 shown
Post #415 210
Следующий шаг Онто — семантический чат: теперь с моделью можно работать не только через диаграммы, но и через диалог.

Мы сделали в Онто большой шаг: теперь с моделью можно работать в режиме чата.

Но главное даже не это.
Мы собрали движок ассистентов, в котором можно запускать разные сценарии с разными навыками.


Первый контур — онбординг ассистент.
И здесь для нас была важна не «магия LLM», а совсем другое: воспроизводимость.

Мы строили это как детерминированный слой поверх LLM:

— модель извлекает смысл,
— но переходы, состояния и эффекты задаются правилами и контрактами.

Что получилось в итоге:
— онбординг стал не диалогом на удачу, а управляемым lifecycle;
— одинаковые сценарии начали давать предсказуемый результат;
— UI стал опираться не на текст ответа, а на machine-readable state;
— критические ветки поведения теперь можно покрывать автотестами.

Отдельно важно, что это не «один умный ассистент».
Это архитектура, где можно подключать разных агентов: для онбординга, работы с моделью, поиска, аналитики и дальше — для более сложных семантических сценариев.


По сути мы делаем не чат-бота.
Мы собираем инженерный контур работы с семантикой, где LLM остаётся источником понимания, но поведение системы уже определяется не её настроением, а нашей логикой.

Сейчас в ассистентах используется GPT-5-nano.
В ближайший месяц — либо до момента, когда упрёмся в лимит нашего бюджета на модель, — мы снимем ограничения и дадим возможность спокойно попробовать новый режим работы.

Дальше планируем ввести базовые лимиты для свободного использования:
до 3 бесплатных чатов и до 20 сообщений (в течении 7 первых дней использования).
Для корпоративных пользователей таких ограничений, конечно, не будет — у них модели смогут переключаться в том числе на внутренние.

Сегодня — релиз работы с Онто прямо в чате.
А дальше уже и до CLI недалеко.
  • ❤ 4
  • 🔥 1
Post #414 197
Раньше MCP для Onto был скорее прототипом.
Авторизация через логин и пароль, несколько рабочих операций, частичное покрытие API, расхождения между описанием и реальным поведением серверной части. На таком основании можно было что-то показать, но трудно было строить поверх него агентные сценарии и нормальные интеграции.

Сейчас MCP пересобран.
Главное изменение не в том, что стало удобнее, а в том, что появился полноценный слой программного доступа к Onto.
Теперь это рабочий интерфейс с авторизацией по API Key, покрытием базовой модели Onto и описанием, собранным по тому, как API реально работает, а не только по swagger.

При этом MCP не пытается «исправлять» Onto своей внутренней логикой. Он не делает устранение дублей, не добавляет идемпотентность и не прячет поведение методов за неявными решениями. Он передаёт API Onto таким, какой он есть. За счёт этого появляются предсказуемость, контроль и понятная семантика интеграции.

Если коротко: раньше MCP был экспериментом. Сейчас это рабочий слой управления Onto, на который уже можно опираться в интеграциях и агентных
контурах.


Репозиторий: https://github.com/hope4b/mcp.git
  • ❤ 1
Post #413 239
Вообще перепубликация чужих событий — не совсем наш профиль. Но тут попросили поддержать, а это, как говорится, моё уязвимое место 🙂

Плюс вижу в программе доклад от «Честного знака» про графы — уже интересно. И отдельно отмечу Максима Смирнова: он всегда очень хорошо рассказывает про архитектуру. Сам однажды выступал у него — отличный опыт.

Итак:

18 апреля (суббота) пройдёт онлайн-конференция
«Аналитический марафон 17»
Тема: «Технологии и коммуникации в работе системного аналитика»

Некоторые доклады:

— Ирина Орлова — «Надёжная шина данных на Apache Kafka»
— Дмитрий Курило — «От таблиц к графам: новый инструмент для анализа отраслевого рынка»
— Елена Шутова — «От монолога к модели: как правильные вопросы и Event Storming спасают от бесконечных правок»
— Максим Смирнов — «Навыки архитектурных решений»
— Николай Прохоров — «Быстрый старт для создания ИИ-ассистента на кодовой базе организации для исследования приложений»

Полная программа — ЗДЕСЬ.

Для подписчиков канала доступна скидка 20% по промокоду onto20_AM17.
analyst-marathon.timepad.ru Аналитический Марафон#17. Технологии в работе системного аналитика / События на TimePad.ru
  • ❤ 1
Post #412 205

Forwarded from Go4AI

⚡️Новый выпуск — Go4AI.55! Готовы к нему? Смотрите 10 апреля в 19:00 по ссылке: Запись эфира

Обсудим онтологическое моделирование и ИИ для бизнеса: как перейти от абстракций к управляемым сущностям, создавать цифровые двойники процессов и строить системы, в которых вызревают инновации. Пока знакомьтесь с составом:

➖Эдуард Ашрафьян (@EduardoAsh, ashrafyan.com) — автор Go4AI, эксперт по внедрению ИИ в бизнес.

➖Артем Варкулевич (@varkulevich) — автор проекта ontonet.ru, онтологическая платформа для моделирования и анализа сложных систем.

➖Дмитрий Демидов (@DemidovDmitry) — руководитель лаборатории инноваций НОРБИТ, эксперт по ИИ для бизнеса.

📌 Есть кейс по ИИ? Хотите разобрать его в эфире? Пишите Эдуарду: @EduardoAsh.

Ждём вас на эфире! 🔥
  • 🔥 2
  • 👍 1
  • 🤩 1
  • 😎 1
Post #411 307
Приятно видеть, что Onto попал в карту ИТ-лидеров от CNews.

Да, формально мы оказались в категории «онлайн-доски», хотя на самом деле решаем немного другую задачу — работу со структурированным знанием и семантикой.

Но даже так это хороший сигнал: подход, который мы развиваем, начинает попадать в поле зрения.

Для нас это не столько про позицию в списке, сколько про подтверждение гипотезы: модели, графы знаний и семантические подходы постепенно становятся частью прикладных инструментов.

Продолжаем двигаться дальше.
  • 🔥 6
  • 👍 2
  • 🎉 2
  • 😍 1
Post #410 324
Пока мы с Кристиной медленно, но уверенно движемся к завершению семантического визарда (на котором будет реализован наш AI-онбординг. ) и AI-ассистента внутри Онто. Наша цель — обеспечить детерминированное поведение: одинаковые входные сценарии должны приводить к одинаковому результату, без семантического дрейфа и случайных интерпретаций. В это время вокруг происходило много всего интересного.

1. Побывал на стриме Go4AI — запись стрима по ссылке

2. Выстроил вокруг Онто, в отдельном развёртывании, инфраструктуру извлечения и накопления структурированного знания инженерной компании. Сейчас начинаю усиливать это направление: настроена индексация данных, и система уже готова к тому, чтобы Онто стал держателем всей сети связей.

3. Познакомился с сообществом Data-авантюристов. Был у них на офлайн-митапе — отличные ребята, сильная энергия и очень живая среда.

4. Сделал бутстрапы для отделяемых агентов аналитики и QA. Как и писал ранее, именно формализация и внутренняя инженерная культура позволили перейти от разовых взаимодействий к устойчивой и воспроизводимой работе агентов.

5. И, пожалуй, самое вдохновляющее — провёл ещё один урок у 4 класса. Рассказывал, как структурированное знание влияет и на работу ИИ, и на сам процесс обучения. Очень сильный отклик.


Всё это постепенно складывается в одну линию: от инженерных систем до образования — везде начинает работать одна и та же идея.
  • 🔥 5
  • ❤ 3
  • 👍 3
Post #409 306
‼️ сегодня 24 марта буду на эфире Go4AI который начнётся в 19:00


🔗Ссылка, по которой будет доступна трансляция и ее запись – Go4AI.53

Планирую рассказать о том как устойчивое знание помогает процессу производства ПО. Ну и об агентной разработке конечно
  • 🔥 2
Post #407 311
Достаточно часто я рассказываю про метаслой Онто — тот самый базис, на котором строится идея живой семантики на графе.

Долгое время мы просто аккуратно повышали качество модели: описывали сущности, фиксировали связи, документировали API. Казалось, что это «фоновая работа», без немедленного эффекта.

Но именно это и дало результат.

Недавно я свёл метауровень Онто с уровнем API — и получил не просто описание, а сквозную модель, где:

— сущности словаря напрямую связаны с операциями,
— операции — с контроллерами,
— а семантика — с реальными действиями системы.

Фактически, модель перестала быть «про данные» и стала «про поведение».

Это очень важный сдвиг.
Потому что теперь:

— можно анализировать систему не только как структуру, но и как набор действий;
— проще выявлять несоответствия между моделью и реализацией;
— появляется основа для автоматизации, которая понимает, что именно она делает.

И вот здесь метаслой перестаёт быть абстракцией.
Он становится точкой, где знание и код начинают сходиться.
Post #405 353
Похоже, я незаметно для себя уже начал делать те изменения в производстве ПО, о которых Gartner пишет как о тренде 2026 года.

Но важный нюанс:
я изменил состав команды, а не сам техпроцесс.

То есть процесс производства ПО у меня остался прежним:
проектирование → изменение → тестирование → внедрение.
Изменилось другое — кто именно участвует в этих этапах.

И для меня это важный вывод: агентная разработка покрывает не только кодинг. Она закрывает практически все аспекты производства ПО.

Сначала — проектирование: аналитика, архитектура, уточнение формулировок, поиск противоречий, сборка спецификаций.
Потом — собственно изменения в коде и модели.
Дальше — тестирование, проверка сценариев, поиск слабых мест и только потом внедрение.

На примере онбординга Onto это выглядит довольно приземлённо.
Сначала формулируется пользовательский путь, потом он превращается в последовательность этапов, затем несколько агентов по очереди ищут логические дыры, архитектурные противоречия, слабые места в сценарии и недостающие проверки.
К моменту начала реализации значительная часть проблем уже снята не кодом, а качеством проектирования.

Сейчас у меня в этой работе синхронизируются:
— агент-аналитик,
— агент бэкенда,
— агент фронтенда,
— и теперь ещё агент QA.

И это, честно говоря, ощущается очень правильно.
Потому что проверка — это не хвост процесса, а полноценный участник формирования решения.

Отдельно хочу зафиксировать ещё одну вещь.
Мне часто возражают примерно так: ну хорошо, «навайбкодили», а дальше как это поддерживать?

И вот здесь у меня как раз обратный опыт.
Управлять сложностью с агентами внутри существующего проекта — нормально.
Не только в новом, пустом, игрушечном контуре, а в живом проекте с историей решений, накопленным контекстом, ограничениями и техническим долгом.

Как раз Онто для меня и есть такой пример.
Это не зелёное поле. Это развивающийся проект, в котором нужно держать архитектуру, не терять смысл, сохранять преемственность решений и не превращать изменения в хаос. И агентный подход с этим вполне совместим.

Но при одном важном условии: агентная разработка не отменяет инженерную культуру, а делает её ещё важнее.
Контроль техдолга, ведение проектной документации, фиксация решений, регулярный рефакторинг — это не бюрократия и не побочная активность. Это нормальная инженерная гигиена.
Примерно как мыть руки после улицы. Это не подвиг, это просто нормально.


Поэтому вопрос «как потом поддерживать?» для меня не выглядит аргументом против агентной разработки.
Поддерживаемость рождается не из отказа от агентов, а из дисциплины: документации, прозрачности решений, контроля долга и регулярной уборки за собой.

Следующий очевидный шаг для меня — делать уже инфраструктуру взаимодействия агентов.
Не просто набор отдельных помощников, а среду, где у них есть:
— общий словарь,
— общий контекст,
— понятные роли,
— правила передачи задач,
— и зафиксированная история решений.

То есть мы постепенно приходим не к «AI вместо команды», а к другой модели команды.
Где человек остаётся архитектором смысла и владельцем системы, а агенты усиливают производство в своих специализированных контурах.

Самое любопытное здесь вот что: многие пока только спорят о том, как ИИ изменит разработку, а я уже просто перестраиваю состав команды под эту реальность.

PS И да, этот текст тоже написан с помощью агента, который помогает мне с коммуникациями.
  • 👍 3
  • ❤ 1
Post #404 430
Я вдохновился постом Жени Истомина и решил, что было бы интересно разобрать, почему Дали так щедро раздавал баллы (и особенно нули) своим коллегам.

Вместе с агентом OntoAI мы за 2 часа 31 минуту:
• создали отдельное пространство
• перенесли таблицу оценок 11 художников
• занесли баллы по 5 критериям
• построили шаблон «Влияние»
• создали около 30 объектов влияний
• разделили их на Позитивные и Негативные
• вывели философскую 3D-модель Дали
• добавили 3 оси анализа:
o Ось мастерства
o Ось интеллекта
o Ось отношения к традиции
• и связали влияния с этими осями

Получилась мини-онтология внутреннего мира Дали — своего рода «аналитика художественного рынка» в его системе координат.

• Полная карта влияния
• Карта влияния по осям

Это, конечно, шуточный анализ. Он не претендует ни на искусствоведческую строгость, ни на биографическую точность. Это не академия — это интеллектуальный эксперимент.


Но в нём точно есть мой взгляд — и немного попытки представить, как сам Дали мог бы разложить конкурентов по трёхмерной философской модели.
  • ❤ 4
  • 🤔 1
Post #403 430

Forwarded from Онто.

AGENTS_BOOTSTRAP_TEMPLATE.md5.3 KB
Раз уж мы говорим про семантику, смысл и знания, хочу поделиться частью своего тулсета — агентным бутстрапом.

В Онто я давно использую агентов — и при разработке самого проекта, и при разработке моделей внутри Онто. Агенты помогают ускорять аналитику, писать код, проверять гипотезы, структурировать знания. Но со временем стала очевидна одна большая боль — передача знаний от меня к агентам.

Каждый новый агент начинает почти с нуля. Контекст размыт. Решения не зафиксированы. Архитектурные ограничения забываются. И вместо развития проекта приходится заново объяснять базу.

Агентный бутстрап — это попытка системно решить эту проблему.

Это шаблон организации работы нескольких агентов в одном проекте: с общим контекстом, правилами чтения и обновления знаний, фиксированным порядком действий и прозрачной логикой передачи задач. Контекст перестаёт жить в голове или в чате — он становится частью репозитория.

Бутстрап помогает:
• использовать разных агентов при доработках проекта;
• фиксировать контекст решений;
• вести лог изменений;
• формировать осмысленные комментарии к коммитам;
• поддерживать преемственность между сессиями и агентами.

Вся структура разворачивается в набор контекстных файлов (AGENTS.md, PROJECT_CONTEXT, WORKLOG, DECISIONS и т.д.), что превращает работу с ИИ из импровизации в управляемый процесс.

Это не про «умных агентов».
Это про контролируемую передачу знания.


И в каком-то смысле это тот же принцип, что и в Онто:
знание становится активом только тогда, когда оно зафиксировано, структурировано и доступно для продолжения работы — независимо от того, кто именно его использует: человек или агент.
  • 👍 1
  • 🔥 1
Post #402 381
Недавно рассказывал про курс Сергея Трушкина о том, как сделать знание драйвером процесса. А буквально на днях сам проводил вебинар про интеграцию когнитивных возможностей человека, жесткость процессов и широту GenAI в едином пайплайне.

Речь шла, в том числе, вот про такую историю:

Совершенно неожиданное применение платформы Онто для создания своего рода super ERP. Как передать знания компьютеру так, чтобы он мог самостоятельно участвовать в принятии решений. Практический интенсив по созданию «кибермозга» бизнеса на основе ресурсно-целевого моделирования, освоению инструментов вайб-кодинга и ИИ — с Онто в центре как хранилищем знаний.
https://uprav.ru/rukovoditel/tsifrovaya-transformatsiya-i-ii-v-upravlenii/?utm_source=tg&utm_medium=partner&utm_campaign=ontonet?rs=TG_partner_ontonet


На видео — часть практических возможностей того, как можно связать людей, ИИ и процессы в одну рабочую систему:
Telegram становится центром коммуникации с процессом,
Онто — хранилищем контекста и семантики,
а n8n — семантическим движком, который приводит всё это в действие.

В итоге получается не «ИИ ради ИИ», а управляемая среда, где знание действительно начинает работать.
  • 👍 2
Post #401 407
Совершенно неожиданное применение платформы Онто для создания суперERP. Как передать знания компьютеру так что бы он мог самостоятельно принимать решения. Практический интенсив по созданию кибер мозга бизнеса на основе ресурсно-целевого моделирования, освоение инструментов вайб-кодинга и ИИ и в центре хранилище знаний Онто. Приглашаем расширить свое понимание интеллектуальных систем управления https://uprav.ru/rukovoditel/tsifrovaya-transformatsiya-i-ii-v-upravlenii/?utm_source=tg&utm_medium=partner&utm_campaign=ontonet?rs=TG_partner_ontonet
  • 👍 4
  • 🔥 1
Post #400 438
Коллеги, спасибо за участие во вчерашнем вебинаре.
Несмотря на технические сложности — в частности, временную недоступность сервиса OpenAI из нашего окружения — нам удалось не только сохранить ход обсуждения, но и дойти до практического результата.
В ходе диалога вы справедливо предложили усилить онтологичность решения и показать, что бот может делать больше, чем просто создавать новый элемент знания в графе. Идея состояла в том, чтобы перейти от механического действия к осмысленному формированию результата на основе контекста.
Мы приняли этот вызов и реализовали следующий подход.
Теперь бот не просто реагирует на команду вроде «купи молока», а сначала интерпретирует ситуацию и извлекает контексты использования (например: для пирога, для детей, альтернатива). Далее он опирается на накопленный в графе позитивный и негативный опыт, чтобы определить, какое именно молоко в данном контексте подходит лучше всего.
В результате задание формируется не абстрактно, а предельно конкретно — с учётом назначения, предпочтений и ограничений, зафиксированных в модели.

Таким образом, мы показали, как:
• контекст превращается в правило,
• правило — в фильтр опыта,
• а граф знаний — в основу для осмысленных действий, а не просто хранилище фактов.
Вы предложили — мы показали.


ссылка на запись вебинара https://rutube.ru/video/1786dbdd078b865930d25994d456e625/
RUTUBE Вебинар "От сообщения в Telegram к исполняемой модели. Интеграция Онто и LLM с помощью n8n" Смотрите видео онлайн «Вебинар "От сообщения в Telegram к исполняемой модели. Интеграция Онто и LLM с помощью n8n"» на канале «Платформа Онто» в хорошем качестве и бесплатно, опубликованное 30 января 2026 года в 14:14, длительностью 01:02:40, на видеохостинге…
  • 🔥 3
Post #397 280
Это одна и та же онтология.
Мы просто перестали показывать дочерние понятия в корне.


На первый взгляд изменение выглядит косметическим.
На деле — это ответ на очень практичную проблему: масштаб.
Когда онтология маленькая, плоский список классов ещё терпим.

Но как только мы начинаем работать в MBSE-подходе и осознанно моделировать состояния, роли и варианты, количество классов растёт лавинообразно. Появляются конструкции вроде:
• [DEV] Задача
• [DEV] Задача. Запланирована
• [DEV] Задача. В работе
• [DEV] Задача. Сделана
• [DEV] Задача. Отклонена

Формально — всё корректно.
Семантически — это одна и та же сущность в разных состояниях.
Но в плоском дереве они выглядят как пять разных понятий, конкурирующих за внимание пользователя.
В результате человек перестаёт видеть модель — он начинает пробираться через список.

Мы затеяли это изменение, потому что в больших онтологиях навигация — это не UI-деталь, а когнитивная нагрузка.


Если родо-видовые отношения не видны сразу, пользователь вынужден держать их в голове. А это плохо масштабируется.
Теперь:
— в корне остаются опорные смыслы;
— всё частное и производное живёт строго под родителем;
— состояния, специализации и варианты больше не «шумят» на одном уровне.

Это не про «спрятать сложность». Это про то, чтобы вернуть структуре право быть структурой.

Данные не изменились.
Модель не упростилась.
Зато стало видно, о чём она на самом деле.


И именно с этого начинается работа с большими онтологиями — не с добавления новых классов, а с того, чтобы перестать путать пользователя в уже существующих.
  • 👍 3
Post #396 347
Приглашаем на вебинар: "От сообщения в Telegram к исполняемой модели. Интеграция Онто и LLM с помощью n8n"

Мы привыкли, что сообщения в мессенджерах исчезают.
В лучшем случае — превращаются в задачи.
На вебинаре Артем Варкулевич покажет другой подход:

- обычное сообщение в Telegram становится объектом, связью и действием в Онто,
- n8n исполняет правила модели — без магии и без “умного бота, который всё решает за вас”.

Разберём живой сценарий: пользователь пишет текст → LLM извлекает намерение →
Онто фиксирует смысл → n8n двигает процесс.

Поговорим честно: где LLM действительно полезен, где он опасен, и почему без модели автоматизация быстро превращается в хаос.

📅 Четверг, 29 января.
🕕 Начало в 17:00. Продолжительность 1 час.
🔗 Ссылка для подключения https://us02web.zoom.us/j/86824806561?pwd=Uxnr3x7vnIIC4URhcmuf83zGhGyc9o.1
Zoom Join our Cloud HD Video Meeting Zoom is the leader in modern enterprise cloud communications.
  • 👍 6
  • 🔥 2
  • 🫡 1
Post #395 324
Возможности адаптера n8n для Онто продолжают расширяться. На текущий момент доступны операции создания и изменения объектов, полнотекстовый поиск по названиям и полям, переклассификация, создание связей и изменение значений свойств объектов. По сути, это уже полноценный рабочий слой для автоматизированной сборки и сопровождения знаний.

Кроме того, я развернул автоматизацию и для SaaS-решения, поэтому если у вас есть накапливаемое знание — документы, артефакты, проектные данные, исследования — я могу помочь выстроить их автоматизированную загрузку и обновление прямо в ваших пространствах Онто.

Пишите мне в личку — разберём ваш кейс и подумаем, как это лучше реализовать.
Да, это платная услуга, но она как раз про то, чтобы сэкономить время, а не добавить ещё один ручной процесс.
  • 👍 5
Post #394 336
Чтобы немного отвлечься, сделал ещё один способ визуализации графических контекстов (диаграмм) в Онто. Используя Unity, добавил представлениям третье измерение.

Помните, я рассказывал, как собрал для себя голографический экран в духе Тони Старка? Вся эта псевдо-3D история неожиданно хорошо ложится именно на большие визуальные пространства. Когда у тебя не плоская схема, а объём, иначе ощущается масштаб, плотность связей и сами кластеры знаний.

Это, конечно, не про «вау-эффект ради вау-эффекта». Скорее про попытку понять: как меняется мышление, когда пространство знаний можно буквально крутить, приближать, расслаивать и собирать обратно.

А вам было бы интересно вращать и исследовать пространство знаний компании в объёме?
  • 🔥 3
  • ❤ 2
  • 👍 2
Older posts →
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →