Граф знаний IKEA: как превратить экспертизу компании в цифровой актив Оказывается, компания IKEA уже давно использует онтологию и граф знаний. Компания записала в граф знаний экспертизу дизайнеров интерьера и визуальных мерчендайзеров: какие товары дополняют друг друга, какие сочетания делают дом удобнее, какие материалы и правила ухода важны клиенту.

Эта же база знаний работает и в рекомендациях на ikea.com, и во внутренних процессах распознавания изображений.

Главная идея графа знаний в том, что если знание эксперта живёт только в его голове, презентации или коде одного приложения, компания не может масштабировать его. Если же знание формализовано в графе знаний - его используют люди, приложения, алгоритмы и AI-агенты.

Как устроен граф знаний в IKEA Граф знаний - это связанная модель фактов о предметной области: товары, категории, материалы, дизайнеры, правила сочетания, инструкции по уходу и предупреждения по безопасности.

Онтология задаёт «скелет» модели: какие бывают сущности, какие у них свойства и как они связаны. В IKEA это реализовано как три слоя: 1. Онтология Классы, свойства и правила связей: «товар», «материал», «дополняет», «подходит для». Масштаб - сотни определений. Отвечает за онтологию центральная команда онтологов. 2. Контролируемый словарь Материалы, цвета, стили, типы продуктов. Масштаб: тысячи терминов. Отвечают за словарь доменные эксперты. 3. Конкретные данные Товары, изображения, контент, метаданные. Масштаб: десятки и сотни тысяч объектов.

Такое разделение позволяет графу оставаться управляемым даже при большом объёме данных.

Как это выглядит для клиента Клиент выбирает диван, а система показывает ему рядом с диваном декоративные подушки, плед, подставку для ноутбука и ролик для чистки. Это не просто «такие товары часто покупают вместе». В графе зафиксировано знание: подушки и пледы делают диван комфортнее, а ролик помогает ухаживать за текстилем.

Упрощённо связи выглядят так: Диван → дополняется → Подушка Диван → дополняется → Плед Плед → совместим с → Ролик для чистки Диван → имеет инструкцию → «Проверьте крепление»

В реальном графе правила задаются на уровне категорий: например, «домашний диван» может дополняться «домашней декоративной подушкой». Затем система автоматически строит связи между тысячами конкретных товаров.

Что IKEA получает от использования графа знаний 1. Рекомендации без зависимости от персональных данных Граф позволяет рекомендовать полезные товары на основе знаний о продуктах, а не только истории покупок пользователя. IKEA может давать осмысленные рекомендации даже клиентам, которые не согласились делиться персональными данными. 2. Одна база знаний и много приложений Граф создавали для рекомендаций в e-commerce. Затем команда компьютерного зрения начала использовать его для распознавания мебели на фото: если распознан диван, вероятность найти рядом подушки и пледы выше, а пространство поиска для модели сужается. Одно знание работает в двух разных задачах: клиентских рекомендациях и внутреннем распознавании изображений. 3. Формализация экспертного опыта Экспертиза дизайнеров и мерчендайзеров, накопленная за десятилетия, переводится в машиночитаемую форму. Эксперт может добавлять связи через визуальный редактор — без программирования. Он не пишет ТЗ разработчику и не ждёт, пока логика попадёт в код. Он фиксирует знание в общем репозитории, откуда его используют разные приложения. 4. Единый язык для бизнеса, данных и разработки Онтология заставляет договориться о терминах: что такое «диван-кровать», что считать «деревом», как классифицировать цвет, что понимать под «скандинавским стилем». 5. Более надёжный AI Граф становится источником обоснованного контекста для AI-приложений, включая LLM и компьютерное зрение. Для RAG-систем и агентов это особенно важно: вместо надежды, что модель «угадает» связь между товарами или процессами, компания даёт ей проверенный контекст из графа.

Как вам пример IKEA? А вы уже обсуждали использование графа знаний для вашего продукта?