A 2026-os AI Engineer World’s Fair egyik legnézettebb előadása Frank Coyle — a UC Berkeley számítástechnika professzora, aki generatív AI-val és nagyméretű nyelvi modellekkel (LLM) foglalkozik — húszperces beszéde volt. Coyle a saját évtizedes tapasztalataira támaszkodva újra felidézte az ontológiák koncepcióját és gyakorlati használatát az AI-építésben, azt hangsúlyozva, hogy míg az LLM-ek kiválóak a valószínűségi következtetésben, az ügynök-szerű rendszerek hatékonyságához „logikai kapaszkodókra” van szükség — amelyek alatt ő az ontológiákat érti.
Mi az ontológia?
A számítástechnikában az ontológia egy adott tudásterület osztályainak, tulajdonságainak és kapcsolataiknak leírása; ezt a meghatározást az Oxford Semantic Technologies is használja. Coyle saját meghatározása tömören így hangzott: „adatok gráfként”. Rámutatott, hogy az ontológiai gondolkodás egészen Arisztotelészig nyúlik vissza, és az MI történetében is többször előfordult.
Iparági példák és három ontológia-típus
A gráfadatbázisairól ismert Neo4j is ontológiákat alkalmaz ügynöktermékeiben. A Neo4j vezérigazgatója, Emil Eifrem AIEWF-en tartott keynote-jában három különböző ontológiafelhasználási réteget vázolt a skálázható ügynökök mögötti „okosabb megosztott alépítmény” érdekében:
- üzleti (business-facing) ontológia: a szervezet kulcsfogalmait írja le;
- technikai ontológia: „az összes adatforrás és adatvagyon metadatát az üzemi ökoszisztémádban”;
- végrehajtási nyomok (execution traces): az ügynök futásidejű jelei.
Eifrem szerint ezek az ontológiai rétegek lehetővé teszik, hogy a jövőben „vastag, manuálisan összekapcsolt adatforrásokkal dolgozó ügynökök” helyett „vékony ügynökök” fussanak egy közös, ontológia-alapú szemantikus rétegen.
A Semantic Web újraéledése és szabványok
Coyle különösen hasznosnak tartja a webes ontológiákat agentikus rendszerek építéséhez. Megemlítette a webfejlesztők számára ismert ontológiákat és szabványokat — például Schema.org, FOAF, Dublin Core, illetve kiegészítő technológiákat mint az RDFS (Resource Description Framework Schema) és az OWL (Web Ontology Language). Egyik előnye ezeknek, hogy már benne vannak az LLM-ek képzési adataiban, így a fejlesztők promptolással gyorsan élhetnek velük, ahelyett hogy nulláról újraírták volna az ontológiákat.
Coyle egy példában egy Claude ügynököt mutatott be, amely ontológiát használ a LLM által végrehajtott eszközhasználat utáni következtetés érvényesítésére.
Neuroszimbolikus AI: probabilisztika plusz szimbolikus szabályok
Coyle a valószínűségi ügynökök és az ontológiák összekapcsolódását neuroszimbolikus MI-nek nevezte: „ideghálózatok összekapcsolva a szimbolikus MI-vel — ide tartoznak a szabályalapú rendszerek és az általunk összeállított tudásgráfok is.” Szerinte ez a megközelítés segít „tartani az LLM-et a kapaszkodói között”, vagyis megakadályozni, hogy a nyelvi modell elszabaduljon.
Gyakorlati tapasztalatok és korlátok
Kingsley Idehen, az OpenLink Software vezetője, aki évek óta ontológiákkal dolgozik és most ezekre épít őügynök-memóriát (például „agent with RDF memory”), a következő előnyt emelte ki: „Az LLM-ek ereje a nyelv feldolgozásában van. Az ontológia szépsége abban áll, hogy definiálja az entitástípusokat és a kapcsolatrendszereket, amelyeken keresztül a nyelv számítógéppel számolható kontextust kap. Együtt a nyelv kifejező erejét hozzák el a számítástechnika UI/UX rétegéhez.”
Ugyanakkor a webes fejlesztők által ismert problémák is előkerültek: az ontológiák karbantartása és naprakészen tartása nehéz feladat. Ez magyarázza részben, miért nem vált valóra teljesen a 1990-es és 2000-es évek „Semantic Web” víziója. Prasenjit Sarkar egyik Twitter (X) bejegyzésében arra mutatott rá, hogy az ontológia-karbantartás jellege megváltozhat, ha maga az ügynök tartja karban az ontológiát működése közben és frissíti a definíciókat szélsőséges eseteknél — ugyanakkor ez is kemény problémaként marad meg.
Ennek ellenére az ontológiák strukturált jellege jól illeszkedik a valószínűségi LLM-ek olykor szabálytalan viselkedéséhez: az LLM erejét megkapjuk, az ontológiák pedig visszafogják és ellenőrzik a kimenetet.
Hurkok, őrvonalak és OWL-ellenőrzés
Coyle kitért a loop engineeringre is, amely szerinte „mindig is itt volt” a számítástechnikában — ugyanakkor a hurkok megtörhetnek vagy „más irányba térhetnek el”. Itt jönnek képbe az ontológiai rendszerek, mint guardrail: egy slide-jában „a végtelen hurok körül egy véges szabálykészletként” írta le az ontológiák szerepét.
Előadásának végén bemutatta, hogyan lehet az OWL-t ügynökök ellenőrzésére használni: míg a nyelv csúszós lehet, „egy OWL-axioma egy szabály, amelyet a gép végrehajtat”. Emellett példát mutatott arra, hogy ontológiára épülő következtető (reasoner) tarthatja az LLM-et a helyes úton.
Miért számít ez most?
A 2026-os AIEWF-en több előadó is azt hangsúlyozta, hogy a loopok minőségének ellenőrzése és a humán felügyelet továbbra is kulcsfontosságú — ezért az ontológiák feltűnése nem meglepő. A hagyományos webes technológiák, amelyeket egyszer már temettek a „Semantic Web” idején, most újra hasznosnak bizonyulnak az AI-építésben: strukturált tudás, szabályok és standardok révén kezelhetőbbé válhatnak a LLM-ek által vezérelt, ügynök-szerű rendszerek.
Összefoglalva: 2026-ban a szoftvermérnöki fegyelem visszatérése és az ontológiák újbóli alkalmazása egyaránt azt a célt szolgálja, hogy a probabilisztikus nyelvi modellek mellett megbízhatóbb, ellenőrizhetőbb agentikus rendszereket építsünk.
