Biểu đồ tri thức có thể là liên kết còn thiếu mà doanh nghiệp cần cho một AI hoạt động

Các tổ chức đang phải đối mặt với một thách thức quan trọng đối với việc áp dụng AI: làm thế nào để tận dụng kiến thức chuyên ngành của họ để sử dụng AI theo cách mang lại kết quả đáng tin cậy. Biểu đồ kiến thức cung cấp "lớp sự thật" còn thiếu cho AI, giúp chuyển đổi đầu ra xác suất thành tăng tốc kinh doanh trong thế giới thực.

Giới thiệu

“Bối cảnh là thứ mang lại ý nghĩa cho hầu hết mọi thứ. Vì vậy, ở mức độ đó, tất cả các biểu đồ đều có tiềm năng vốn có để mang lại nhiều kiến thức hoặc ý nghĩa hơn vì chúng đã thực hiện bước đầu tiên trong việc thừa nhận tính kết nối và bản chất theo ngữ cảnh của thông tin”.

Chúng ta đang sống trong một thế giới bị chi phối bởi AI và các mô hình ngôn ngữ lớn (LLM), và hóa ra ngữ cảnh và ý nghĩa là điều cần thiết để có được kết quả chất lượng từ những thứ đó. Biểu đồ kiến thức có thể nắm giữ chìa khóa cung cấp ngữ cảnh và ý nghĩa để mở khóa tiềm năng của AI, và bằng chứng ủng hộ điều này đang ngày càng tăng.

Nhân dịp công bố Gartner Hype Cycle for Artificial Intelligence mới nhất, Phó chủ tịch nghiên cứu, AI tại Gartner Svetlana Sicular lưu ý rằng đầu tư vào AI đã đạt đến một mức cao mới, tập trung vào AI tạo ra. Tuy nhiên, trong hầu hết các trường hợp, điều này vẫn chưa mang lại giá trị kinh doanh như mong đợi.

Biểu đồ tri thức là cốt lõi của các công nghệ Critical Enabler trong danh sách các công nghệ mới nổi của Gartner mà các nhà lãnh đạo cần cân nhắc như một phần trong chiến lược của họ. Gartner khuyến nghị biểu đồ tri thức là yếu tố quan trọng trong việc xây dựng và phát triển các mô hình GenAI. Các tổ chức như Amazon và Samsung đang sử dụng biểu đồ tri thức và thị trường này dự kiến sẽ tăng trưởng lên 6,93 tỷ đô la vào năm 2030, với tốc độ CAGR là 36,6% .

Gartner đã ủng hộ vai trò của biểu đồ kiến thức trong AI ngày nay và các tác động hạ nguồn trong các tổ chức trong tương lai trong vài năm qua, vì cả công nghệ lẫn tầm nhìn đều không mới. Công nghệ biểu đồ kiến thức đã tồn tại trong nhiều thập kỷ và những người như Tony Seale đã sớm xác định được tiềm năng của nó như một lớp sự thật cho AI.

Seale, còn được gọi là "The Knowledge Graph Guy", là người sáng lập công ty tư vấn cùng tên. Trích dẫn trên được trích từ một cuộc trò chuyện mở rộng, bao gồm mọi thứ từ nguyên tắc đầu tiên của biểu đồ kiến thức đến các mẫu ứng dụng cho AI an toàn, có thể xác minh, trải nghiệm thực tế, xu hướng, dự đoán và con đường phía trước.

Từ các kho dữ liệu đến Dữ liệu được liên kết và Biểu đồ kiến thức

Seale có hàng thập kỷ kinh nghiệm làm việc với dữ liệu tại các tổ chức tài chính Tier 1. Khoảng mười năm trước, ông đã làm việc trên "một dự án ETL khác" cho một ngân hàng đầu tư lớn, đưa dữ liệu vào kho dữ liệu và triển khai các đường ống dữ liệu. Đây là một cách tiếp cận điển hình để phục vụ nhu cầu báo cáo và tuân thủ của tổ chức. Vấn đề là, nó không mở rộng quy mô hoặc giúp bổ sung ngữ cảnh và ý nghĩa .

Sau đó Seale tình cờ xem được bài nói chuyện TED năm 2010 của Tim Berners Lee về Dữ liệu được liên kết và điều đó đã thay đổi mọi thứ. Vào năm 2010, Google mới bắt đầu tham gia vào Biểu đồ tri thức và thuật ngữ này chưa thực sự xuất hiện . Nhưng công nghệ đã có ở đó, dưới cái tên Dữ liệu được liên kết. Bài nói chuyện TED của TBL đã đủ để Seale nắm bắt được 2 nguyên tắc chính của Dữ liệu được liên kết và bắt đầu thử nghiệm với phương pháp này như một giải pháp thay thế cho ETL.

Ý tưởng cơ bản của Dữ liệu được liên kết là áp dụng kiến trúc chung của World Wide Web vào nhiệm vụ chia sẻ dữ liệu có cấu trúc ở quy mô toàn cầu. Tất cả đều hướng đến việc sử dụng các định danh HTTP cho dữ liệu, để chúng có thể được tra cứu và cung cấp thông tin về ý nghĩa của chúng (ngữ nghĩa) bằng các tiêu chuẩn.

Seale hiểu rằng nếu bản chất phi tập trung của cách tiếp cận này có thể áp dụng cho web, thì nó có thể áp dụng cho bất kỳ tổ chức nào. Thay vì có một điểm trung tâm để tích hợp và kiểm soát, vốn là cách tiếp cận thực tế của các dự án ETL và kho dữ liệu, biểu đồ kiến thức cho phép mở rộng quy mô thông qua phi tập trung và các tiêu chuẩn.

Đây là những nguyên tắc tương tự giúp web hoạt động. Không có gì ngạc nhiên khi người phát minh ra web muốn đưa nó lên một tầm cao mới để chuyển từ web tài liệu sang web dữ liệu. Tuy nhiên, ngoài việc truy cập dữ liệu, cách tiếp cận này còn bổ sung ngữ nghĩa vào hỗn hợp. Các điểm dữ liệu cũng như các liên kết giữa chúng có thể có ý nghĩa và loại cụ thể được gắn vào chúng.

Ví dụ tốt nhất về ngữ nghĩa trong hành động ở quy mô web là schema.org . Schema.org là nỗ lực hợp tác để xác định một từ vựng chuẩn được sử dụng bởi 30% tất cả các trang web và 72,6% các trang trên trang đầu tiên của Google . Ngoài việc xác định ngữ nghĩa bằng các tiêu chuẩn, schema.org giúp chú thích và tích hợp có thể mở rộng quy mô thông qua phân cấp .

AI gặp Đồ thị tri thức

Schema.org là thứ cho phép Googles của thế giới xây dựng biểu đồ kiến thức của họ và hiểu rõ hơn về web . Đây là cách tiếp cận tương tự mà Seale bắt đầu thử nghiệm như một dự án bí mật tại ngân hàng đầu tư mà anh ấy đang làm việc vào thời điểm đó, với kỳ vọng rằng nó sẽ thất bại. Nhưng không phải vậy.

Được khích lệ bởi thành công ban đầu, Seale đã trở thành người ủng hộ nhiệt thành cho đồ thị tri thức và khởi xướng một số dự án liên quan. Ông đã chuyển các tổ chức để theo đuổi đam mê của mình và đang tìm hiểu về mạng nơ-ron đồ thị như một cách để khởi động ngữ nghĩa và chú thích cần thiết để xây dựng đồ thị tri thức khi các mô hình ngôn ngữ lớn GPT đầu tiên được phát hành.

Seale bắt đầu thử nghiệm với LLM và sớm nhận ra hai điều. Thứ nhất, LLM sẽ có tác động to lớn. Thứ hai, LLM hoàn toàn phù hợp với biểu đồ kiến thức. Anh bắt đầu chia sẻ ý tưởng của mình trên LinkedIn và lan truyền rộng rãi. Cuối cùng, anh thành lập công ty tư vấn của riêng mình và hiện đang triển khai những ý tưởng này với một số khách hàng.

“Tất cả các tổ chức sẽ phải chấp nhận thực tế rằng chúng ta đang chuyển sang một thế giới có nhiều xác suất hơn. Vì vậy, mọi người phải bắt đầu sử dụng AI hoặc bạn có thể sẽ phá sản. Chúng ta đang chuyển sang thế giới mới này, nơi mọi thứ sẽ mang tính xác suất và AI sẽ được nhúng vào nhiều quyết định.

Bạn có thể không thích hoặc có bất kỳ ý kiến nào, nhưng nó không quan tâm. Đó là một lực lượng tự nhiên đang diễn ra, vì vậy bạn cũng có thể quen với nó. Vì vậy, câu hỏi thực sự trở thành, làm thế nào để bạn thực hiện điều đó một cách an toàn. Và theo tôi, điều đó đến thông qua xác minh bên ngoài”, Seale nói.

Đó là cốt lõi của phương pháp mà ông ủng hộ. Nó bao gồm các mẫu có tên lạ, chẳng hạn như Working Memory Graph và Neural-Symbolic Loop, và các ví dụ từ DeepSeek đến dự án Cyc. Nhưng trước khi đi sâu vào những điều này, chúng ta nên dừng lại một chút để tìm hiểu các nguyên tắc đầu tiên.

Nguyên tắc đầu tiên: Đồ thị và Đồ thị kiến thức

Vậy điều gì làm cho đồ thị khác với các cấu trúc dữ liệu khác và điều gì làm cho đồ thị kiến thức khác với các đồ thị khác? Chúng ta có thể tiếp cận điều này ở cấp độ triển khai hoặc ở cấp độ nguyên tắc đầu tiên.

Bất kể, cho dù chúng ta đang nói về bảng tính so với sơ đồ tư duy, hàng và cột của cơ sở dữ liệu quan hệ so với các nút và cạnh của cơ sở dữ liệu đồ thị, hay lý thuyết tập hợp so với lý thuyết đồ thị, thì có một điều khiến đồ thị trở nên khác biệt: các kết nối là công dân hạng nhất. Nhưng không phải tất cả đồ thị đều đủ tiêu chuẩn là đồ thị kiến thức .

Cả nút và cạnh trong đồ thị đều có thể có các loại khác nhau. Một đồ thị đơn giản có thể bao gồm các nút biểu diễn sản phẩm và các cạnh biểu diễn loại mối quan hệ chung giữa chúng. Một đồ thị hai phần có thể có hai loại nút khác nhau, biểu diễn sản phẩm và khách hàng, và các cạnh biểu diễn khách hàng nào đã mua sản phẩm nào.

Một đồ thị không đồng nhất có thể có đủ loại nút và cạnh khác nhau. Ví dụ, các nút biểu diễn sản phẩm và khách hàng, và các cạnh biểu diễn khách hàng nào đã mua sản phẩm nào và sản phẩm nào được khách hàng nào đánh giá.

Có tiện ích trong đồ thị ngay cả ở cấp độ đơn giản nhất có thể. Các thuật toán đồ thị như tìm đường và tính trung tâm có thể cực kỳ hữu ích cho các ứng dụng và phân tích, và không yêu cầu đồ thị không đồng nhất.

Sử dụng URI làm định danh và có một vốn từ vựng chung và một lược đồ đã thống nhất là các tính năng xác định của biểu đồ kiến thức

“Một khi bạn bắt đầu nói, thực ra là không, một số nút này là những thứ khác nhau, và các cạnh giữa chúng, chúng là những loại cạnh khác nhau đặc biệt có ý nghĩa gì đó, thì độ phức tạp tăng lên. Bản chất của các thuật toán bạn có thể chạy, bao gồm các thuật toán học máy, sẽ thay đổi. Tôi nghĩ chúng ta có thể gọi đó là cấp độ đầu vào của đồ thị kiến thức”, Seale lưu ý.

Lưu ý phần "mức độ nhập môn". Có một lịch sử dài và phức tạp ở đây, bắt đầu từ đầu những năm 00 và Web ngữ nghĩa . Chính trên những ý tưởng, tiêu chuẩn và ngăn xếp kỹ thuật này mà các nguyên tắc Dữ liệu liên kết được xây dựng. "Web ngữ nghĩa" đã chết trong khi "Biểu đồ tri thức" bắt đầu phổ biến.

Có thể nói rằng Semantic Web đã đi trước thời đại. Nhiều nỗ lực triển khai đã bị hiểu sai và những người ủng hộ nó không phải lúc nào cũng thực dụng. Tuy nhiên, như Seale đã lưu ý, mạng nơ-ron cũng được coi là một sự thất bại trong một thời gian dài. Sử dụng URI làm định danh và có một vốn từ vựng chung và một lược đồ được thống nhất vẫn là đặc điểm nổi bật của đồ thị kiến thức và giá trị mà chúng có thể mang lại.

Thế giới liên tục và thế giới rời rạc

Cấu trúc và ngữ nghĩa mà biểu đồ kiến thức mang lại cho phép thực hiện những điều mà các loại dữ liệu khác hoặc thậm chí các biểu đồ khác không thể thực hiện được. Seale tin rằng mọi tổ chức nên làm việc trên phiên bản schema.org của riêng mình và sử dụng nó để chú thích dữ liệu của họ, xây dựng biểu đồ kiến thức để hỗ trợ AI của họ.

Seale đã sử dụng DeepSeek làm ví dụ để giải thích phương pháp xác minh. Giống như mọi người khác, Seale bị ám ảnh bởi DeepSeek và cố gắng tìm ra những gì họ đã làm. Ngoài các thuật toán và tối ưu hóa thông minh, cốt lõi của thành công của DeepSeek là thực tế là họ đã sử dụng dữ liệu có thể xác minh để học tăng cường: toán học và mã .

“Họ lấy tất cả dữ liệu web, giống như mọi người vẫn làm. Nhưng sau đó họ chỉ lấy ra những phần liên quan đến toán học và mã hóa. Với điều đó, bạn có thể tạo ra một trình xác minh bên ngoài.

Bạn có thể xem phần toán học hoặc mã, sau đó bạn có thể xem câu trả lời ở cuối và bạn có thể kiểm tra xem câu trả lời có thực sự đúng không. Sau đó, bạn có thể cung cấp thông tin đó cho LLM và yêu cầu LLM thực hiện, sau đó kiểm tra với trình xác minh chính thức bên ngoài. Điều đó đang làm là thêm kiểm soát chất lượng vào mô hình xác suất”, Seale giải thích.

Các phương pháp biểu diễn kiến thức liên tục và rời rạc có những ưu điểm và hạn chế riêng biệt

Seale sau đó giải thích thêm về cái mà ông gọi là thế giới liên tục và thế giới rời rạc . Trong thế giới liên tục, mọi thứ đều mang tính xác suất, mọi thứ đều mơ hồ, và đó là nơi các mô hình AI tạo ra này xuất hiện. Một thứ hòa trộn vào thứ khác, và bạn sẽ có ảo giác. Nhưng mặt trái của điều đó, theo Seale, là có một cái gì đó giống như sự sáng tạo ở đó.

Trong thế giới AI lỗi thời , có một huyền thoại về Dự án Cyc . Cyc là một dự án AI vô cùng tham vọng, với mục tiêu mã hóa kiến thức chung về thế giới theo cách chính thức. Seale rất tôn trọng Cyc. Tuy nhiên, ông lưu ý, Cyc đã không và không thể thành công, trong khi các mô hình AI tạo ra thì có thể - theo cách riêng của chúng. Nhưng chúng đi kèm với những nhược điểm riêng.

Các mô hình AI tạo sinh không đáng tin cậy và điều đó khiến chúng không phù hợp để áp dụng trong doanh nghiệp trong các lĩnh vực như tài chính, luật hoặc y học. Đối với các lĩnh vực như toán học hoặc mã, có thể xác minh kết quả một cách chính thức. Nếu cũng có cách để làm điều đó trong các lĩnh vực khác thì sao? Seale nghĩ là có, và chìa khóa là biểu đồ kiến thức và thuật ngữ.

Sự trỗi dậy của Ontology

Chúng tôi đã đề cập đến schema.org, cũng như khái niệm chung về schema. Schema thường được liên kết với cơ sở dữ liệu quan hệ , nơi chúng xác định cấu trúc và tổ chức dữ liệu. Đồ thị cũng có thể có schema. Schema cho đồ thị kiến thức được gọi là ontology, mặc dù từ "schema" không thực sự công bằng với ontology .

Các thuật ngữ vượt ra ngoài các lược đồ bằng cách cho phép mô hình hóa các cấu trúc như hệ thống phân cấp kế thừa hoặc tiên đề logic. Chúng có thể nắm bắt không chỉ cấu trúc và tổ chức dữ liệu mà còn cả những thứ như quy tắc kinh doanh và kiến thức miền.

Seale giải thích rằng: “Tên của trò chơi là tiếp cận càng gần với ngữ nghĩa của doanh nghiệp càng tốt. Bạn đang cố gắng lấy những từ mà những người kinh doanh đang sử dụng trong một tổ chức nhất định và biến chúng thành những khái niệm chính thức để thực sự cụ thể về bản chất của chúng, sau đó kết nối các khái niệm với nhau theo cách mà chúng liên quan đến nhau bằng các loại cạnh cụ thể”.

Sự quan tâm đến Biểu đồ tri thức và thuật ngữ học đang đạt đến đỉnh điểm

Xây dựng một ontology không phải là điều dễ dàng. Nó đòi hỏi phải tiếp cận kiến thức chuyên ngành, thường là rải rác, được ghi chép và hiểu một phần, và được tranh luận giữa các chuyên gia. Nó cũng đòi hỏi chuyên môn về mô hình ontology và các công cụ phù hợp.

Đây là lý do tại sao mặc dù mô hình hóa bản thể đã tồn tại trong nhiều thập kỷ , nhưng nó chưa bao giờ thực sự được áp dụng rộng rãi. Seale cho rằng điều đó đang thay đổi và có thể có một số bằng chứng hoàn cảnh ủng hộ điều này.

Trên Google Trends, “Biểu đồ tri thức” đã tăng 3,450% trong 5 năm qua. Trong kho lưu trữ chuyên dụng của Year of the Graph , các tham chiếu đến ontology kể từ năm 2022 đã tăng gấp đôi về cả số lượng và tính đa dạng của nguồn. Thêm vào đó, câu chuyện thành công của riêng Seale đang trở thành hình mẫu cho sự lan truyền của biểu đồ tri thức.

Vòng lặp thần kinh-biểu tượng

Có một mối quan hệ hai chiều giữa đồ thị kiến thức và ontology có thể có với LLM. LLM có thể hỗ trợ phát triển ontology và dân số đồ thị kiến thức. Seale báo cáo rằng có kinh nghiệm tốt khi sử dụng LLM cho mục đích này, nhưng trải nghiệm của bạn ở đây có thể khác. Trong mọi trường hợp, các công cụ như vậy nhằm hỗ trợ các chuyên gia, không phải tự động hóa hoàn toàn nhiệm vụ.

Nhưng điều thực sự thú vị là ngược lại: các thuật ngữ và đồ thị kiến thức đóng vai trò là trình xác minh, về cơ bản là một lớp chân lý, đối với LLM. Seale gọi đây là mô hình Đồ thị bộ nhớ làm việc đối với LLM .

Trong Working Memory Graph, ontology chắt lọc kiến thức miền và đồ thị kiến thức đóng vai trò là cơ sở dữ liệu cụ thể – và riêng tư – cho tổ chức. LLM đóng vai trò là trung gian và bổ sung phần khám phá và sáng tạo, đồng thời cấp quyền truy cập vào kiến thức phi cấu trúc. Đây có thể là kiến thức chung được chắt lọc trong LLM hoặc kiến thức miền cụ thể thông qua RAG .

Trong mô hình Vòng lặp biểu tượng thần kinh, LLM và Biểu đồ kiến thức bổ sung cho nhau

Biểu đồ bộ nhớ làm việc là một phần của một mô hình lớn hơn mà Seale gọi là Vòng lặp biểu tượng thần kinh . Trong đó, Biểu đồ bộ nhớ làm việc đóng vai trò là trình xác minh cho các miền cần xác minh. Ý tưởng là làm cho mọi miền có thể thực hiện được những gì toán học hoặc mã hóa có thể: để xác minh tính đúng đắn của các kết quả do LLM tạo ra.

Rõ ràng, điều đó khó đạt được hơn nhiều trong các lĩnh vực ngoài toán học hoặc mã. Nỗ lực và chuyên môn cần thiết để xây dựng các thuật ngữ và biểu đồ kiến thức vẫn còn đáng kể và kết quả có thể không rõ ràng. Nhưng điều đó có thể thực hiện được và Seale tin rằng đó là cách tốt nhất để có được lớp sự thật cho AI.

Phương pháp tiếp cận AI thực dụng: Từ lý thuyết đến triển khai

“AI đang lao đi như tên lửa. Hầu như không có ai có thể làm gì để ngăn chặn điều đó. Dù sao thì điều đó cũng đang xảy ra. Vì vậy, trong bất kỳ tổ chức nào, bạn sẽ ở trong tình huống mà bạn có thể nhập khẩu trí thông minh chung này. Hiện tại, nó thông minh, có thể không phải là siêu thông minh, nhưng nó sẽ đạt được điều đó trong 5 đến 10 năm tới.

Bạn có một khoảng thời gian ngắn. Những gì bạn cần làm là đưa AI vào bối cảnh của tổ chức chúng ta và tập trung vào phần đáy của tảng băng AI, tức là dữ liệu. Vì vậy, bạn cần phải sử dụng sức mạnh mà bạn có trong các mô hình mà bạn đang có trong tay ngay lúc này và tập trung trở lại vào dữ liệu mà bạn có trong đó.

Bạn cần dọn dẹp và hợp nhất dữ liệu để nó ở trạng thái có thể trở thành một trình xác minh bên ngoài hiệu quả. Bạn cần biết thông tin nào có giá trị 0,001 đô la, thông tin nào chỉ bạn có và giá trị mà bạn đang thêm vào là gì. Bạn cần phải làm điều đó ngay bây giờ, vì đó là trò chơi duy nhất trong thị trấn theo như tôi thấy”, Seale nói.

Seale cũng chia sẻ một số dự đoán cho năm 2025 : cuộc khủng hoảng dữ liệu, biểu đồ kiến thức làm nền tảng cho cấu trúc dữ liệu, GraphRAG thông qua các thuật ngữ học và sự xấp xỉ của lý luận chính thức bằng các LLM lý luận. Để có cuộc trò chuyện sâu hơn về những điều này, hãy xem tập podcast. Nhìn chung, Seale cho rằng AI được thổi phồng quá mức trong ngắn hạn, nhưng lại bị thổi phồng quá mức trong dài hạn.

POD

Knowledge Graphs as the essential truth layer for Pragmatic AI. Featuring Tony Seale, The Knowledge Graph Guy - Orchestrate all the Things

Organizations are facing a critical challenge to AI adoption: how to leverage their domain-specific knowledge to use AI in a way that delivers trustworthy results. Knowledge graphs provide the missing "truth layer" that transforms probabilistic AI outputs into real world business acceleration. Knowledge graphs are powering products for the likes of Amazon and Samsung. The Knowledge graph market is expected to grow to $6.93 Billion by 2030, at a CAGR of 36.6%. Gartner has been advocating for the role of knowledge graphs in AI and the downstream effects in organizations going forward for the last few years. Neither the technology nor the vision are new. Knowledge graph technology has been around for decades, and people like Tony Seale were early to identify its potential for AI. Seale, also known as "The Knowledge Graph Guy", is the founder of the eponymous consulting firm. In this extensive conversation, we covered everything from knowledge graph first principles to application patterns for safe, verifiable AI, real-world experience, trends, predictions, and the way forward. Read the article published on Orchestrate all the Things here: https://linkeddataorchestration.com/2025/03/11/knowledge-graphs-as-the-essential-truth-layer-for-pragmatic-ai/

Seale đang nghiên cứu áp dụng biểu đồ kiến thức và thuật ngữ học vào các tổ chức đã sẵn sàng. Nhưng điều đó phải trả giá và không thể mở rộng cho tất cả mọi người. Thêm vào đó, không có công ty tư vấn nào có thể thực hiện tất cả các công việc giáo dục hoặc dữ liệu nền tảng cần thiết cho bạn.

Phương pháp AI thực dụng thu hẹp khoảng cách này bằng cách giáo dục về các nguyên tắc dữ liệu đầu tiên, quản lý, quản trị, mô hình hóa và khoa học dữ liệu. Sau đó, kiến thức chuyên môn độc đáo của các tổ chức có thể được tận dụng để xây dựng các hệ thống AI trên nền tảng dữ liệu đáng tin cậy và đã được xác minh.

Đào tạo AI thực dụng

Khóa học Pragmatic AI cung cấp cho các giám đốc điều hành, nhà quản lý, doanh nhân, cố vấn và người sáng tạo kiến thức nền tảng và chuyên môn thực tế cần thiết để xây dựng các hệ thống AI mang lại giá trị kinh doanh thực sự. Bắt đầu với những điều cơ bản và bắt đầu tạo ra lớp sự thật cho tổ chức của bạn và giành được lợi thế cạnh tranh trong kỷ nguyên AI.