Netflix rakentaa ontologiapohjaisen tietograafin, joka antaa tekoälyagenteille kyvyn päätellä, ei vain hakea

Netflix rakentaa ontologiapohjaisen tietograafin, joka antaa tekoälyagenteille kyvyn päätellä, ei vain hakea

Netflixin teknologiablogi julkaisi 16. lokakuuta yksityiskohtaisen kuvauksen yrityksen "Observability Ontology" -järjestelmästä — tietograafista, joka perustuu W3C-standardeihin (RDF, OWL, SHACL, SPARQL) ja QuipuDB-nimiseen graafitietokantaan, ja joka yhdistää mittarit, häiriöt ja julkaisudatan koko yrityksen laajuudelta [4][5][6]. Järjestelmä validoituu noin 49 000 luettelomerkinnän pohjalta ja syöttää tietoa AutoRCA-nimiselle agenttijärjestelmälle, jossa erikoistuneet tekoälyagentit tekevät SPARQL-kyselyitä graafiin, jäljittävät todisteita ja ohjaavat päätökset ihmisen hyväksyntäkierrosten läpi sen sijaan, että toimisivat itsenäisesti.

Huomionarvoista ei ole mittakaava vaan suunnittelufilosofia. Netflix ei vain kaada lokeja vektorivarastoon ja toivo, että LLM löytää neulan heinäsuovasta — se mallintaa suhteet eksplisiittisesti, jotta agentit voivat päätellä miksi jokin meni rikki, eivätkä vain tunnistaa, mikä muistuttaa aiempia häiriöitä. X:ssä käyty tekninen keskustelu nosti esiin juuri tämän: siirtymän reaktiivisesta, avainsanapohjaisesta valvonnasta ennakoivaan, rakenteelliseen päättelyyn, jossa ihmisen mukana oleminen nähdään ominaisuutena, ei pullonkaulana.

Tämä on vahva signaali kaikille, jotka rakentavat tekoälyjärjestelmiä jäsentämättömän organisaatiodatan päälle: graafit tallentavat suhteita, jotka litteät hakumenetelmät menettävät, ja juuri tämä rakenne mahdollistaa sen, että agentti voi selittää päättelynsä sen sijaan, että se vain tunnistaisi samankaltaisia kuvioita.

RAG-keskustelu muuttuu teknisemmäksi: vektori vs. vektoriton vs. agenttipohjainen

Kolme erillistä vuoden 2026 analyysiä päätyvät yhteiseen, hyödylliseen viitekehykseen kaikille hakujärjestelmien rakentajille. Vektori-RAG — upotukset (embeddings) yhdistettynä samankaltaisuushakuun — pysyy nopeana ja vahvana semanttisissa, epätarkoissa kyselyissä, mutta kompastelee silloin, kun vastaukset riippuvat tarkasta rakenteesta: sopimuslausekkeista, numeroiduista käytännöistä, lakikokoelmista [7][8]. Vektoriton RAG ohittaa upotukset kokonaan ja käyttää sen sijaan avainsanahakua (BM25), hierarkkista dokumenttinavigointia tai LLM-päättelyä suoraan rakenteen pohjalta — ja on raportoitu saavuttavan jopa 98,7 %:n tarkkuuden rakenteellisissa hakutehtävissä, joissa vektoripohjaiset menetelmät kompastelevat [8][9].

Agenttipohjainen RAG istuu molempien päälle: se on iteratiivista, agentin ohjaamaa tutkimista arviointikierroksineen ja useiden työkalujen käyttöineen. Se on kestävin vaihtoehto aidosti monimutkaisiin, monivaiheisiin kysymyksiin, mutta erään vertailun mukaan se maksaa noin 94 % enemmän per kysely kuin suoraviivainen vektorihaku vastaavalla tarkkuudella [9]. Nouseva yksimielisyys, joka toistuu myös X-keskusteluissa, on hybridiratkaisu oletusarvona — älä valitse yhtä menetelmää, vaan ohjaa kyselyt oikealle menetelmälle sen mukaan, onko kysymys semanttinen, rakenteellinen vai monivaiheinen.

Tämä on suoraan merkityksellistä kaikille, joilla on kasvava arkisto kokousmuistiinpanoja: "mitä päätimme hinnoittelusta" on semanttinen kysely, jonka vektorihaku hoitaa hyvin, mutta "etsi jokainen lauseke, jossa sitouduimme aikatauluun Q3:n sopimuksissa" on rakenteellinen kysely, joka vaatii vektorittoman tai agenttipohjaisen lähestymistavan onnistuakseen.

RAG voittaa yhä hienosäädön LLM:ien ajantasaisuuden ja luotettavuuden ylläpidossa

Kolme lokakuussa julkaistua opasta vahvistavat sen, mistä on tulossa vakiintunut käsitys: hakuavusteinen generointi (RAG), ei hienosäätö, on oikea työkalu pitämään tekoälyavustajat tarkkoina ja ajan tasalla yksityisen tai nopeasti muuttuvan tiedon suhteen [10][11][12]. Vaikka pitkän kontekstin mallit käsittelevät nyt jopa miljoona tokenia, oppaat korostavat, etteivät ne korvaa RAG:ia suurten tai yksityisten tietokokonaisuuksien kohdalla — kontekstikkunat ovat kalliita eivätkä skaalaudu organisaation koko tietopohjaan, ja ne hyötyvät silti päälle rakennetusta uudelleenjärjestelystä (reranking) ja pääsynhallinnasta.

Erityisesti agenttipohjaisen RAG:in mainitaan lisäävän päättelykierroksia ja monilähteistä hakua, jotta vastaukset tulevat lähdeviittauksineen ja jäljitettävine päättelyineen sen sijaan, että kyseessä olisi yksittäinen parhaan arvauksen generointi. Koko ajan toistuva kehys on "avoimen kirjan" tekoäly — järjestelmät, jotka etsivät tietoa sen sijaan, että luottaisivat jäädytettyyn koulutusdataan — käytännön vastalääkkeenä hallusinaatioille yritysympäristöissä.

Mitä tämä tarkoittaa sinun kokouksillesi

Kun nämä neljä tarinaa asettaa rinnakkain, esiin nousee kuvio, joka koskee suoraan jokaista, jonka työviikko on täynnä kokouksia. Muistiinpanotyökalujen vertailut osoittavat, että markkinat ovat jo ratkaisseet litteroinnin — se on nykyään vain perusvaatimus. Todellinen kilpailukenttä on siirtynyt siihen, mitä tapahtuu litteroinnin jälkeen: miten se tallennetaan, jäsennetään ja haetaan kuukausia myöhemmin, kun täytyy muistaa tarkalleen, mitä asiakas lupasi maaliskuussa tai mikä toimenpide unohtui organisaatiomuutoksen myllerryksessä.

Juuri tässä kohtaa Netflixin ontologiatyö ja RAG-keskustelut muuttuvat merkityksellisiksi kauas insinööriblogien ulkopuolelle. Litteä kasa kokousmuistiinpanoja, joita haetaan avainsanoilla tai yksinkertaisilla upotuksilla, vastaa kohtuullisen hyvin kysymykseen "mitä puhuimme Oslon sopimuksesta" — mutta se epäonnistuu kysymyksessä "näytä minulle jokainen sitoumus, jonka olemme tehneet tälle asiakkaalle 18 kuukauden puheluiden aikana, aikajärjestyksessä". Se vaatii samanlaista rakenteellista, suhteet huomioivaa hakua, jota Netflix rakentaa infrastruktuuridatalle — sovellettuna sen sijaan ihmisiin, päätöksiin ja sitoumuksiin, joita on tehty satojen kokousten aikana. Tämä on juuri se ero litterointityökalun ja aidon tietopohjan välillä.

Tietotyöläisille opetus on yksinkertainen: älä kysy vain, litteroiko kokoustyökalusi hyvin — kysy, pystyykö se vastaamaan rakenteelliseen, useita kokouksia yhdistävään kysymykseen kuuden kuukauden kuluttua, lähdeviittauksella tarkkaan hetkeen, jolloin asia sanottiin. Se on ero muistiinpanosovelluksen ja henkilökohtaisen tietograafin välillä.

Keskeinen huomio: Tekoälyn kokoustyökalujen kilpajuoksu on edennyt kysymyksestä "kuka litteroi parhaiten" kysymykseen "kuka pystyy päättelemään koko kokoushistoriasi perusteella" — ja se on tietograafin ja haun ongelma, ei litteroinnin.

Sources

1. https://www.techrepublic.com/article/news-best-ai-meeting-note-takers-2026/
2. https://sieva.co/best/ai-meeting-assistants/
3. https://wisprflow.ai/notetaker/best-ai-notetakers-2026
4. https://netflixtechblog.com/ontology-driven-observability-building-an-end-to-end-knowledge-graph-at-netflix-scale-421392cf5adf
5. https://www.sysdesai.com/news/pxOqg9gz1SUG
6. https://devblogs.sh/posts/ontology-driven-observability-building-an-end-to-end-knowledge-graph-at-netflix-scale
7. https://paath.online/blog/vector-rag-vs-vectorless-rag-2026
8. https://outcomeschool.com/blog/vectorless-rag
9. https://www.dataworkz.com/blog/agentic-rag-vs-vectorless-retrieval-benchmark/
10. https://slash-digital.io/en/insights/rag-2026/
11. https://www.kore.ai/blog/what-is-agentic-rag
12. https://www.hcltech.com/knowledge-library/rag-in-ai-enterprise-retrieval-augmented-generation