Gå til innhold

Nasjonal Arkitektur som en kunnskapsgraf

For at Nasjonal arkitektur skal være et levende, maskinlesbart og strategisk verktøy, er målet å etablere den som en Kunnskapsgraf (Knowledge Graph). En kunnskapsgraf gjør arkitekturen til mer enn bare statiske dokumenter eller flate lister; den skaper et nettverk av data hvor sammenhenger (for eksempel mellom en strategisk kapabilitet, et felles API og et underliggende datasett) er formelt definert og maskinelt sporbare.

Dette dokumentet beskriver det strategiske grunnlaget for hvordan vi skal koble den menneskesentrerte arkitekturmodelleringen sammen med en fremtidsrettet, maskinlesbar kunnskapsgraf ved hjelp av ArchiMate og YAML-LD/JSON-LD.

1. Hvorfor beholde ArchiMate som Master?

Selv om vi bygger en avansert datadrevet kunnskapsgraf for konsum og KI-analyse, er det en stor fordel å opprettholde selve ArchiMate-modellen som master.

  • Menneskelig samhandling og visuell modellering: Virksomhetsarkitektur (EA) krever dype diskusjoner, planlegging og konsensus blant arkitekter, ledere og domeneeksperter. ArchiMate er den internasjonale de facto-standarden for dette, og verktøyene (f.eks. Archi) gir nødvendige visuelle "views" for å forstå komplekse sammenhenger. Det er urealistisk å be mennesker modellere komplekse grafstrukturer direkte i kode.
  • Kvalitetssikret Single Source of Truth: Ved å la ArchiMate-filen være kilden til sannhet, sikrer vi en stram og validert struktur. Modellen fungerer som det autoritative utgangspunktet før informasjonen berikes og tilgjengeliggjøres.
  • Skille mellom "produksjon" og "konsum": Arkitektene produserer og forvalter modellen i sitt naturlige domenespråk (ArchiMate). Deretter brukes automatiserte pipelines til å konvertere denne modellen over til et distribusjonsformat (YAML-LD) tilrettelagt for maskinkonsum og kunstig intelligens.

2. Overgangen fra modell til maskinlesbar graf

For å få dataene ut av ArchiMate (XML) og inn i en kunnskapsgraf eller gi dem til KI-agenter, trenger vi et dataformat som brobygger mellom menneskelig lesbarhet og maskinell semantikk. Det er her YAML-LD og JSON-LD kommer inn.

Sammenhengen mellom JSON-LD og YAML-LD

JSON-LD (JavaScript Object Notation for Linked Data) er W3C-standarden for å bygge strukturerte data og kunnskapsgrafer på weben. Det lar oss utvide vanlig JSON med en @context (som definerer hva ordene betyr) og @id (som gir elementene globale unike lenker). Alt som er JSON-LD kan konverteres direkte til RDF (grunnlaget for grafdatabaser og semantisk web).

YAML-LD er nøyaktig det samme som JSON-LD, men skrevet i YAML-syntaks. Konseptuelt er de identiske og kan konverteres sømløst til hverandre, men de har ulike bruksområder i arbeidsflyten.

Hvorfor velge YAML-LD?

Fordelene med å bruke YAML-LD som formatet som genereres ut av ArchiMate-pipelinen er mange:

  1. Overlegen menneskelig lesbarhet og versjonskontroll: YAML har ingen parenteser eller anførselstegn som støyer. Dette gjør filene ekstremt lette å lese for mennesker. Det gjør det også mye enklere å spore endringer i Git (diffs) sammenlignet med JSON eller XML.
  2. Eksplisitt formell semantikk: I motsetning til standard YAML, hvor type: Capability bare er tekst, vil YAML-LD knytte ordet "Capability" til en formell, global ArchiMate-ontologi (via @context). Dette fjerner all tvil for maskiner om hva dataene representerer.
  3. Ekte grafer ("Linked Data"): Relasjoner mellom objekter (f.eks. at Tjeneste A realiserer Kapabilitet B) lagres som graflenker (edges) i stedet for bare tilfeldige tekst-IDer. Modellen deres slutter å være et isolert dokument, og blir en del av en utvidbar kunnskapsgraf.
  4. Sammenkobling med andre nasjonale kataloger: Ved å bruke Linked Data (YAML/JSON-LD) kan Nasjonal arkitektur enkelt lenkes direkte til eksterne grafer, for eksempel Felles Datakatalog (DCAT-AP-NO) eller nasjonale begrepskataloger (SKOS).

3. Tilrettelegging for fremtidens Kunstige Intelligens (KI)

Valget av en Kunnskapsgraf og YAML-LD legger fundamentet for å bruke avansert KI i arkitekturarbeidet:

  • Sikker og deterministisk AI-analyse: Rene språkmodeller (LLMs) kan "hallusinere" hvis de må gjette seg frem til relasjoner basert på vanlig tekst. Hvis arkitekturen eksisterer som en JSON-LD/YAML-LD-drevet kunnskapsgraf, kan KI-en (gjennom såkalt Graph RAG - Retrieval-Augmented Generation) kjøre presise, strukturerte spørringer (som SPARQL) mot grafen.
  • Besvarelse av komplekse spørsmål: KI-systemer vil med 100 % nøyaktighet kunne besvare spørsmål som: "Hvilke underliggende databaser og tjenester må moderniseres dersom vi ønsker å styrke den strategiske kapabiliteten X, og hvilke aktører påvirkes?"
  • Kompakt for LLM-prompts: Om KI-en skal lese rådataene direkte (utenom en grafdatabase), er YAML-LD ideelt. Den kompakte YAML-strukturen sparer verdifulle "tokens", mens den påklistrede @context-semantikken sikrer at språkmodellen har den nøyaktige meningsbærende konteksten den trenger for å unngå feiltolkninger.

Oppsummering av dataflyt for fremtiden:

  1. Modellering (Master): Arkitekter jobber i ArchiMate.
  2. Eksport (Git-pipeline): Script trekker ut dataene og lagrer dem som YAML-LD for menneskevennlig versjonskontroll i GitHub.
  3. Konsum & Distribusjon: YAML-LD konverteres sømløst til JSON-LD / RDF og lastes inn i en felles grafdatabase.
  4. Bruk: Applikasjoner, KI-agenter (Graph RAG), og utviklere kan spørre grafen for sanntids, semantisk korrekt innsikt i Nasjonal arkitektur.