Khi xây dựng dữ liệu Y học cổ truyền, chúng ta có thể gặp hàng nghìn đối tượng khác nhau:

Danh y.
Y thư.
Dược liệu.
Bài thuốc.
Bệnh chứng.
Thuật ngữ.
Phương pháp điều trị.
Địa danh.

Sau khi số hóa, một câu hỏi quan trọng xuất hiện:

Các đối tượng này có quan hệ với nhau như thế nào, và hệ thống phải hiểu chúng theo những quy tắc nào?

Ví dụ:

Một danh y có thể trước tác một y thư.
Một y thư có thể đề cập đến một dược liệu.
Một bài thuốc có thể bao gồm nhiều vị thuốc.
Một dược liệu có thể có tên khác.
Một thuật ngữ có thể thuộc một nhóm khái niệm.

Nếu mỗi người hoặc mỗi hệ thống tự định nghĩa các khái niệm và quan hệ theo cách riêng, dữ liệu sẽ khó liên thông.

Đây là một trong những lý do cần đến ontology.

Ontology là gì?

Trong khoa học máy tính và khoa học thông tin, ontology có thể hiểu đơn giản là:

Một mô hình biểu diễn các khái niệm trong một lĩnh vực và những quan hệ, quy tắc cơ bản giữa chúng.

Ontology không chỉ trả lời:

“Có những dữ liệu nào?”

Mà còn cố gắng trả lời:

“Những loại đối tượng nào tồn tại trong lĩnh vực này?”
“Chúng có thể liên hệ với nhau ra sao?”
“Một quan hệ có ý nghĩa gì?”

Ví dụ đơn giản:

THỰC THỂ
│
├── DANH Y
├── Y THƯ
├── DƯỢC LIỆU
├── BÀI THUỐC
└── THUẬT NGỮ

Sau đó xác định quan hệ:

DANH Y ── trước_tác ──→ Y THƯ

Y THƯ ── đề_cập ──→ DƯỢC LIỆU

BÀI THUỐC ── bao_gồm ──→ DƯỢC LIỆU

Đây là cách ontology bắt đầu tạo ra một ngôn ngữ chung cho dữ liệu.

Ontology khác gì với cơ sở dữ liệu?

Một cơ sở dữ liệu có thể lưu:

Tên	Loại
A	Dược liệu
B	Y thư

Nhưng ontology quan tâm sâu hơn:

“Dược liệu là loại thực thể gì?”
“Y thư là loại thực thể gì?”
“Một dược liệu có thể có những thuộc tính nào?”
“Y thư có thể có quan hệ nào với danh y?”

Có thể hình dung:

DATABASE
    │
    └── LƯU DỮ LIỆU

ONTOLOGY
    │
    └── MÔ TẢ Ý NGHĨA VÀ CẤU TRÚC KHÁI NIỆM

Hai thứ không đối lập.

Một hệ thống tri thức có thể sử dụng ontology để định hướng cách tổ chức dữ liệu.

Ontology khác gì với từ điển?

Từ điển chủ yếu trả lời:

Thuật ngữ này nghĩa là gì?

Ví dụ:

THUẬT NGỮ A
     ↓
ĐỊNH NGHĨA

Ontology mở rộng hơn:

KHÁI NIỆM A
│
├── thuộc nhóm → X
├── có quan hệ → B
├── khác với → C
└── có thuộc tính → D

Do đó, một từ điển có thể là nguồn quan trọng để xây dựng ontology, nhưng hai khái niệm không hoàn toàn giống nhau.

Ontology khác gì với Knowledge Graph?

Đây là hai khái niệm thường được nhắc cùng nhau nhưng không nên đồng nhất.

Có thể hiểu đơn giản:

Ontology

Đưa ra khung khái niệm và quy tắc.

DANH Y
   │
   └── có thể → trước_tác → Y THƯ

Knowledge Graph

Chứa các thực thể và quan hệ cụ thể.

[DANH Y A]
      │
      └── trước_tác
             │
          [Y THƯ B]

Có thể hình dung:

ONTOLOGY
    ↓
ĐỊNH NGHĨA KHUNG
    ↓
KNOWLEDGE GRAPH
    ↓
DỮ LIỆU CỤ THỂ

Tuy nhiên, trong thực tế ranh giới giữa các hệ thống có thể không hoàn toàn tuyệt đối.

Vì sao Y học cổ truyền cần ontology?

Một trong những thách thức lớn của dữ liệu Y học cổ truyền là tính đa dạng.

Ví dụ, một hệ thống có thể có:

DƯỢC LIỆU
THUỐC
VỊ THUỐC
DƯỢC VẬT
THẢO DƯỢC

Các khái niệm này có thể:

Đồng nghĩa trong một số ngữ cảnh.
Có phạm vi khác nhau trong ngữ cảnh khác.
Thuộc các cấp phân loại khác nhau.

Nếu không xác định rõ mô hình khái niệm, dữ liệu dễ trở nên lẫn lộn.

Ontology giúp đặt câu hỏi:

Khái niệm nào là lớp lớn?
Khái niệm nào là lớp con?
Khái niệm nào là thuộc tính?
Khái niệm nào là thực thể độc lập?

Ví dụ về cấu trúc phân cấp

Một ontology đơn giản có thể biểu diễn:

THỰC THỂ YHCT
│
├── NHÂN VẬT
│   └── DANH Y
│
├── TÀI LIỆU
│   └── Y THƯ
│
├── DƯỢC LIỆU
│
└── PHƯƠNG THUỐC

Quan hệ phân cấp có thể được biểu diễn:

DANH Y
   ↓ là một loại
NHÂN VẬT

Hoặc:

Y THƯ
   ↓ là một loại
TÀI LIỆU

Việc phân cấp này giúp hệ thống hiểu rằng:

Mọi danh y đều là nhân vật, nhưng không phải mọi nhân vật đều là danh y.

Ontology giúp định nghĩa quan hệ

Không chỉ thực thể, quan hệ cũng cần được định nghĩa.

Ví dụ:

DANH Y ── trước_tác ──→ Y THƯ

Cần xác định:

Chủ thể của quan hệ này là gì?
Đối tượng là gì?
Quan hệ có ý nghĩa ra sao?

Không nên để mọi quan hệ trở thành:

related_to

vì như vậy hệ thống biết hai thứ “có liên quan” nhưng không biết liên quan như thế nào.

Một ontology tốt giúp phân biệt:

authored
mentioned_in
contains
has_alias
located_in
influenced_by

Tất nhiên, tên gọi quan hệ cụ thể phụ thuộc vào mô hình dữ liệu của từng dự án.

Một ontology Y học cổ truyền có thể gồm những lớp nào?

Đây chỉ là một mô hình minh họa, không phải chuẩn chính thức.

YHCT ENTITY
│
├── PERSON
│   ├── Danh y
│   └── Tác giả
│
├── DOCUMENT
│   ├── Y thư
│   └── Tài liệu nghiên cứu
│
├── MATERIAL
│   ├── Dược liệu
│   └── Thành phần
│
├── PRESCRIPTION
│   └── Bài thuốc
│
├── CONCEPT
│   └── Thuật ngữ
│
└── PLACE
    └── Địa danh

Sau đó có thể bổ sung các quan hệ.

PERSON
   │
   └── authored → DOCUMENT

DOCUMENT
   │
   └── mentions → MATERIAL

PRESCRIPTION
   │
   └── contains → MATERIAL

Ontology không nên áp đặt một cách hiểu duy nhất

Đây là vấn đề đặc biệt quan trọng đối với tri thức truyền thống.

Một thuật ngữ trong Y học cổ truyền có thể:

Thay đổi theo thời kỳ.
Có nhiều cách diễn giải.
Phụ thuộc vào văn cảnh.
Không có tương đương hoàn toàn trong hệ thống hiện đại.

Do đó, ontology không nên được xây dựng với tư duy:

“Chúng ta sẽ tạo ra một định nghĩa duy nhất và mọi nguồn phải tuân theo.”

Một mô hình tốt cần có khả năng lưu:

KHÁI NIỆM
│
├── Định nghĩa
├── Biến thể
├── Bối cảnh
├── Nguồn
└── Thời kỳ

Trong một số trường hợp, cần chấp nhận rằng:

Một vấn đề vẫn còn nhiều cách diễn giải.

Ontology và chuẩn hóa thuật ngữ

Ontology có thể hỗ trợ chuẩn hóa bằng cách xác định:

TERM A ── synonym_of? ── TERM B

Hoặc:

TERM A ── broader_than ── TERM B

Nhưng cần tránh tự động biến mọi thuật ngữ gần giống thành đồng nghĩa.

Có nhiều loại quan hệ khác nhau:

Quan hệ	Ý nghĩa
Equivalent	Tương đương
Synonym	Đồng nghĩa
Broader term	Khái niệm rộng hơn
Narrower term	Khái niệm hẹp hơn
Related term	Khái niệm liên quan
Historical variant	Biến thể lịch sử

Việc phân biệt các quan hệ này giúp hệ thống chính xác hơn.

Ontology có thể hỗ trợ tìm kiếm như thế nào?

Giả sử người dùng tìm một khái niệm.

Hệ thống ontology có thể hỗ trợ mở rộng truy vấn:

TỪ KHÓA A
    ↓
TRA ONTOLOGY
    ↓
TÊN KHÁC
KHÁI NIỆM HẸP
KHÁI NIỆM LIÊN QUAN
    ↓
TÌM KIẾM MỞ RỘNG

Nhờ đó, hệ thống không chỉ tìm chính xác chuỗi ký tự mà có thể hỗ trợ tìm theo cấu trúc khái niệm.

Ontology và khả năng liên thông dữ liệu

Giả sử có ba nguồn dữ liệu:

DATABASE A
DATABASE B
DATABASE C

Mỗi nguồn sử dụng thuật ngữ khác nhau.

Ontology có thể đóng vai trò như một lớp trung gian:

DATABASE A ──┐
DATABASE B ──┼──→ ONTOLOGY ──→ LIÊN KẾT
DATABASE C ──┘

Đây là một trong những lý do ontology được quan tâm trong các hệ thống dữ liệu liên ngành.

AI có thể sử dụng ontology như thế nào?

Ontology có thể cung cấp kiến thức có cấu trúc cho AI.

Ví dụ:

NGƯỜI DÙNG ĐẶT CÂU HỎI
          ↓
         AI
          ↓
TRA CỨU ONTOLOGY / KNOWLEDGE GRAPH
          ↓
NGUỒN DỮ LIỆU

Ontology có thể giúp hạn chế một số lỗi liên quan đến:

Nhầm loại thực thể.
Nhầm quan hệ.
Sử dụng thuật ngữ không nhất quán.

Tuy nhiên, ontology không tự động đảm bảo AI luôn đúng.

Nếu:

Dữ liệu nguồn sai.
Quan hệ sai.
Ontology thiết kế kém.

thì hệ thống phía trên vẫn có thể tạo ra kết quả sai.

Có cần xây dựng ontology lớn ngay từ đầu?

Không nhất thiết.

Một sai lầm phổ biến trong các dự án dữ liệu là cố xây dựng một mô hình cực lớn ngay từ đầu.

Điều này có thể dẫn đến:

THIẾT KẾ QUÁ LỚN
        ↓
PHỨC TẠP
        ↓
KHÓ TRIỂN KHAI
        ↓
ÍT DỮ LIỆU THỰC TẾ

Một cách tiếp cận thực tế hơn là:

Giai đoạn đầu

Xác định một số thực thể cốt lõi:

Danh y.
Y thư.
Dược liệu.
Bài thuốc.
Thuật ngữ.

Giai đoạn tiếp theo

Bổ sung:

Quan hệ.
Phân loại.
Thuộc tính.
Quy tắc.

CORE ONTOLOGY
      ↓
DỮ LIỆU THỰC TẾ
      ↓
PHÁT HIỆN VẤN ĐỀ
      ↓
MỞ RỘNG

Ontology nên phát triển cùng dữ liệu thay vì hoàn toàn tách rời dữ liệu thực tế.

Một nguyên tắc quan trọng: phân biệt dữ liệu và mô hình

Ví dụ:

"Danh y"

là một lớp khái niệm.

Trong khi:

"Một nhân vật lịch sử cụ thể"

là một thực thể cụ thể.

Có thể hình dung:

CLASS
  ↓
DANH Y

INSTANCE
  ↓
NHÂN VẬT CỤ THỂ

Phân biệt hai tầng này giúp hệ thống rõ ràng hơn.

Ontology có thể là nền tảng cho Y điển số

Nếu nhìn theo kiến trúc dài hạn:

                    Y ĐIỂN SỐ
                        │
       ┌────────────────┼────────────────┐
       │                │                │
     Y THƯ           TỪ ĐIỂN         DỮ LIỆU
       │                │                │
       └────────────────┼────────────────┘
                        ↓
                    ONTOLOGY
                        ↓
                 KNOWLEDGE GRAPH
                        ↓
                  SEARCH / AI

Ontology không phải là thứ người dùng phổ thông nhất thiết phải nhìn thấy.

Nhưng nó có thể đóng vai trò như một phần của hạ tầng tri thức phía sau hệ thống.

Kết luận

Ontology có thể hiểu là một mô hình giúp xác định:

Những loại khái niệm nào tồn tại.
Chúng được phân loại ra sao.
Chúng có quan hệ như thế nào.
Dữ liệu nên được biểu diễn theo những quy tắc nào.

Đối với Y học cổ truyền, ontology có thể hỗ trợ:

Chuẩn hóa khái niệm.
Kết nối dữ liệu từ nhiều nguồn.
Xây dựng Knowledge Graph.
Hỗ trợ tìm kiếm ngữ nghĩa.
Cung cấp nền tảng tri thức cho AI.

Tuy nhiên, một ontology tốt không phải là ontology có nhiều lớp và quan hệ nhất.

Điều quan trọng hơn là:

Mô hình có phản ánh đúng tri thức thực tế, có thể truy xuất nguồn và đủ linh hoạt để mở rộng hay không.

Đối với quá trình số hóa Y học cổ truyền, ontology có thể được xem là một bước chuyển quan trọng:

Từ dữ liệu rời rạc → mô hình khái niệm chung → hệ thống tri thức có khả năng liên kết.

Lưu ý

Ontology là mô hình biểu diễn khái niệm và quan hệ, không tự động xác nhận tính đúng đắn của mọi dữ liệu được đưa vào hệ thống. Đối với tri thức Y học cổ truyền, việc định nghĩa khái niệm và xác lập quan hệ cần dựa trên nguồn tư liệu, chuyên gia và bối cảnh lịch sử phù hợp.

Từ khóa SEO

ontology Y học cổ truyền, ontology YHCT, ontology là gì, dữ liệu tri thức Y học cổ truyền, Knowledge Graph YHCT, chuẩn hóa thuật ngữ YHCT, số hóa tri thức Y học cổ truyền, semantic knowledge, cơ sở tri thức YHCT, AI và Y học cổ truyền.

Ontology trong Y học cổ truyền là gì? Vì sao cần một “ngôn ngữ chung” cho dữ liệu tri thức?

Ontology là gì?

Ontology khác gì với cơ sở dữ liệu?

Ontology khác gì với từ điển?

Ontology khác gì với Knowledge Graph?

Ontology

Knowledge Graph

Vì sao Y học cổ truyền cần ontology?

Ví dụ về cấu trúc phân cấp

Ontology giúp định nghĩa quan hệ

Một ontology Y học cổ truyền có thể gồm những lớp nào?

Ontology không nên áp đặt một cách hiểu duy nhất

Ontology và chuẩn hóa thuật ngữ

Ontology có thể hỗ trợ tìm kiếm như thế nào?

Ontology và khả năng liên thông dữ liệu

AI có thể sử dụng ontology như thế nào?

Có cần xây dựng ontology lớn ngay từ đầu?

Giai đoạn đầu

Giai đoạn tiếp theo

Một nguyên tắc quan trọng: phân biệt dữ liệu và mô hình

Ontology có thể là nền tảng cho Y điển số

Kết luận

Lưu ý

Từ khóa SEO

Để lại một bình luậnHủy bình luận