Reconstrucción del almacén de grafos de service-slm

El almacén de grafos de Servicio de inferencia de IA es un grafo de propiedades en vivo de entidades comerciales nombradas, extraídas cada noche del corpus de datos de un operador — la capa de entidades que service-content — extracción de entidades y alojamiento del grafo de conocimiento usa para inyectar contexto comercial estructurado en las solicitudes de inferencia sin enviar datos propietarios a un modelo externo. El grafo se almacena en LadybugDB y se reconstruye cada noche mediante un script que se ejecuta como Fase 1 de la ventana de Cómputo Elástico, antes de que la fase de entrenamiento del modelo reclame la GPU.

Qué contiene el grafo

El grafo mantiene cinco clasificaciones de entidades: Persona (personal, contactos, contrapartes), Empresa (proveedores, clientes, organizaciones socias), Proyecto (compromisos activos e históricos), Cuenta (cuentas financieras y referencias de libro mayor), y Ubicación (oficinas, sitios y direcciones operativas). Estas entidades se extraen de tres flujos de documentos: archivos de transcripción de reuniones, material de investigación y contexto, y registros de contacto de origen desde service-people — el servicio de libro de identidades.

Qué hace la reconstrucción nocturna

Por cada documento no procesado, el script de reconstrucción llama al endpoint de finalización del Doorman con una restricción de gramática JSON Schema. El modelo de lenguaje — ejecutándose en el nivel de ráfaga GPU vía vLLM — devuelve un arreglo estructurado de objetos de entidad, cada uno con un nombre, clasificación, puntuación de confianza, y campos opcionales de rol, ubicación y contacto. El script entonces escribe esas entidades directamente en el grafo a través del endpoint de mutación de service-content. Una verificación de salud al final de cada ciclo registra el conteo actual de entidades.

El script procesa todo el backlog de documentos no procesados en cada ejecución, con un retraso aleatorizado entre solicitudes para que el Doorman nunca reciba una ráfaga que pudiera interferir con el arranque propio de la fase de entrenamiento.

La ruta de escritura no tiene paso de revisión propio

Este es el hecho que un lector que evalúa la postura de gobernanza de datos de la plataforma necesita: la escritura del script de reconstrucción al grafo es incondicionada. Llama al mismo endpoint de mutación que cualquier operador o miembro de la comunidad podría llamar desde su propia automatización, y ese endpoint escribe de inmediato — no hay archivo de propuesta, ni cola pendiente, ni visto bueno humano en ningún punto del flujo propio de este script. Existe un punto de control de gobernanza de escritura separado en otra parte de service-content (una ruta de captura-y-verificación para un sitio de llamada automatizado distinto, que requiere un veredicto humano firmado antes de que una escritura se concrete), pero no cubre este endpoint ni este script; el diseño propio del endpoint asume en cambio que cada quien lo llama provee su propio control, y este script no provee ninguno.

Idempotencia

El script rastrea los documentos procesados en un libro local de solo-anexado, identificado por un hash del contenido de cada documento. Un documento ya presente en el libro se omite en ejecuciones futuras. El libro no se depura automáticamente; limpiarlo fuerza una re-extracción completa en la siguiente ejecución.

Inyección de contexto del grafo

El grafo no es un almacén de referencia estático. service-content lo consulta antes de cada solicitud de inferencia, recupera las entidades relevantes al contexto de la solicitud, y las inyecta en el mensaje de sistema del modelo como contexto comercial estructurado — quiénes son las personas relevantes, qué proyectos están activos, qué empresas son contrapartes — sin que esos datos estructurados crucen el límite del modelo externo. El grafo en sí permanece dentro del despliegue; solo el contexto en prosa inyectado sale de él.

Estado actual

El grafo está en vivo hoy, con entidades extraídas reales sirviendo activamente solicitudes de inferencia. Si este patrón está listo para extenderse a contextos operativos más grandes está condicionado a un criterio de ejecuciones saludables consecutivas que aún no se ha cumplido — la canalización sigue en su período operativo inicial.

Véase también

• Pipeline de entrenamiento LoRA nocturno en Elastic Compute #1 — Fase 2 de la misma ventana nocturna (entrenamiento de adaptador LoRA)
• Servicio de inferencia de IA — el servicio que orquesta la canalización nocturna completa