Knowledge Graph (KG) là gì
Kiến thức cần nắm cho BA/PO khi triển khai AI.
1. Knowledge Graph là gì?
Knowledge Graph là mô hình biểu diễn tri thức dưới dạng đồ thị có cấu trúc, trong đó:
- Thực thể (Entity) = nút (Node)
- Quan hệ (Relationship) = cạnh (Edge)
- Thuộc tính (Property) = thông tin gắn kèm
Khác với database quan hệ truyền thống (bảng + khóa ngoại), Knowledge Graph tập trung vào mối quan hệ phong phú và khả năng suy luận giữa các thực thể.
2. Vì sao BA/PO cần hiểu Knowledge Graph?
- Hiểu rõ hơn về dữ liệu sản phẩm: Nhiều hệ thống hiện đại (recommendation, search, fraud detection, personalization) đang chuyển sang dùng KG. BA/PO cần hiểu mô hình dữ liệu để viết requirement chính xác.
- Viết User Story & Acceptance Criteria tốt hơn: Khi feature liên quan đến “gợi ý thông minh”, “tìm kiếm ngữ nghĩa”, “phát hiện quan hệ bất thường”… nếu BA hiểu KG sẽ viết AC rõ ràng và testable hơn.
- Giao tiếp hiệu quả với Tech team: Data Scientist / AI Engineer nói về entity, relation, triple, embedding… BA/PO hiểu sẽ tránh hiểu lầm và đưa ra quyết định sản phẩm đúng.
- Đánh giá feasibility & trade-off: Biết khi nào nên dùng KG, khi nào dùng Vector DB hoặc Relational DB giúp BA/PO tham gia thảo luận kiến trúc và ước lượng effort thực tế.
- Thiết kế trải nghiệm người dùng dựa trên quan hệ: KG cho phép xây dựng journey phức tạp dựa trên mối quan hệ (ví dụ: khách hàng → sản phẩm đã mua → sản phẩm tương tự → ưu đãi liên quan).
- Hỗ trợ AI/LLM trong sản phẩm: Nhiều hệ thống RAG hiện nay kết hợp Vector Search + Knowledge Graph để giảm ảo giác và tăng độ chính xác. BA/PO cần hiểu để định nghĩa nguồn tri thức.
3. BA/PO áp dụng Knowledge Graph như thế nào?
A. Trong giai đoạn Discovery & Analysis
- Xác định các thực thể cốt lõi của domain (Customer, Product, Transaction, Risk Event…).
- Vẽ Domain Knowledge Graph (ở mức conceptual) để làm rõ mối quan hệ nghiệp vụ.
- Dùng KG để phát hiện business rule ẩn (ví dụ: quan hệ gián tiếp giữa khách hàng và rủi ro).
B. Trong viết Requirement
- Thay vì chỉ mô tả “hệ thống gợi ý sản phẩm”, BA có thể viết rõ hơn:
“Hệ thống sử dụng Knowledge Graph để gợi ý sản phẩm dựa trên quan hệ: Khách hàng – đã mua – Sản phẩm – thuộc danh mục – Sản phẩm tương tự – có rating cao.”
- Định nghĩa rõ Entity, Relationship và thuộc tính cần thiết trong Data Requirement.
C. Trong thiết kế Feature AI/Personalization
- Xác định use case phù hợp với KG: Recommendation dựa trên quan hệ, Fraud detection (phát hiện mạng lưới bất thường), Search & Question Answering thông minh, Customer 360° view.
- Phân biệt khi nào dùng KG, khi nào dùng embedding thuần (Vector DB).
D. Trong làm việc với Data/AI team
- Review Data Model / Ontology.
- Tham gia định nghĩa Schema của Knowledge Graph.
- Viết Acceptance Criteria cho việc xây dựng và cập nhật KG (data quality, completeness, freshness).
E. Trong Product Strategy
- Đánh giá lợi thế cạnh tranh của việc xây dựng Knowledge Graph nội bộ (proprietary knowledge).
- Cân nhắc build vs buy (Neo4j, Amazon Neptune, hoặc tự xây trên graph database).
4. Giá trị cho BA/PO
Với Business Analyst: Phân tích domain sâu hơn, viết requirement chính xác hơn, giảm gap với technical team.
Với Product Owner: Đưa ra quyết định sản phẩm dựa trên hiểu biết về khả năng của AI/Data, ưu tiên đúng feature tạo giá trị từ quan hệ dữ liệu.
Knowledge Graph không phải chỉ là kỹ thuật của Data/AI team. Đây là cách mô hình hóa tri thức nghiệp vụ dưới dạng quan hệ. BA/PO hiểu KG sẽ viết requirement tốt hơn, giao tiếp hiệu quả hơn với đội kỹ thuật, và thiết kế được những tính năng thông minh dựa trên mối quan hệ thực sự của dữ liệu.
Anh em quan tâm sâu ứng dụng AI cho BA, PO có thể theo dõi BA Zone nhé.
Khóa học ứng dụng AI for BA/PO tham khảo tại đây