Интернет развивается уже больше 30 лет, но ключевая проблема остаётся прежней: платформы контролируют наши данные, и пользователи зависят от них. Сегодня появляются технологии, которые могут изменить это, и они лежат на пересечении AI, графов знаний и персональных хранилищ данных.
От персональных данных к Life Graph
Идея проста: вся жизнь человека может быть представлена в виде графа событий. Каждое событие становится узлом с контекстом, в котором указывается время, место, участники и связанные с этим объекты.
Документоориентированные БД, такие как MongoDB, могут хранить события, но плохо работают с поиском по связям, времени и геолокации. Для них нужна графовая база данных, в которую можно интегрировать самих LLM-агентов, которые автоматически будут структурировать данные в семантическом формате.
Основные проблемы прошлых проектов
Проекты вроде SoLID (от Tim Berners-Lee) или ранние попытки lifelogging терпели неудачу по четырём причинам:
1. Сначала делали базу данных, а потом продукт из-за чего пользователи не видели ценности сразу.
2. Создавали слишком сложное управление данными, а люди хотят избегать сложности.
3. Отсутствовали интеграции с существующими платформами. Из-за чего не получали доступа к социальным, музыкальным или рабочим данным.
4. Сложная модель данных. Разработчики не могли эффективно работать с RDF/Linked Data и переходили на другие языки.
Эти ошибки объясняют, почему за 20 лет ни один проект не стал массовым.
Почему сейчас появляется второй шанс
Сейчас ситуация меняется благодаря трем факторам:
1. AI-ассистенты могут управлять данными вместо пользователя
Пользователь получает интерфейс помощника, а не базу данных. Агент сам решает, какие данные открывать сервисам.
2. LLM умеют структурировать хаотичные данные
Геолокация, сообщения, календари, медиа автоматически превращается в семантический граф жизни.
3. Пассивный сбор данных через устройства
Смартфоны, умные часы, автомобили и IoT позволяют формировать события без их ручного ввода.
Событие как ядро для Life OS
Ключевой элемент это работа с событиями, которые могут формировать граф жизни через GPT-интерфейс.
Примеры функций:
- умный календарь и напоминания,
- суммирование и ответы на письма,
- организация документов и медиа,
- поиск по истории действий.
Для того чтобы Life Graph реально заработал, нужно решить задачу, которая будет приносить явную ежедневную пользу пользователеям.
Из этого формируются принципы:
1. Повседневность — пользователь может не прочь делать ее каждый день.
2. Незаменимость — ценность должна быть очевидна с первого использования.
3. Автоматизируемость — пользователь не думает о формировании графа, но растет сам собой.
Архитектурные нюансы
1. Обилие связей
Для одного человека такой жизненный граф может содержать до 10–50 миллиардов связей. Каждый объект связывается с событиями, людьми, местами, медиа. Это большая нагрузка на БД и контекст.
2. Временные связи
Работа, встречи, поездки — каждая связь привязана ко времени, создавая четырёхмерный граф. Это доработка текущего ПО.
3. Многоуровневая архитектура
- Слой событий (raw logs),
- Семантический граф (узлы и связи),
- Индексы для поиска по времени, геолокации, тексту,
- AI слой для анализа и семантизации.
4. Безопасность и приватность
Граф будет содержать самые чувствительные данные о человеке, включая геолокацию, социальные связи, привычки, переписки, покупки, интересы.
Поэтому архитектура должна включать:
- Локальное хранение данных на устройстве пользователя.
- Избирательное раскрытие данных с разрешения пользователя.
- Zero-knowledge proofs для доказательства фактов владения событиями без передачи данных.
Такой граф может первым создать только компании с контролем устройства, сервисов и которые имеют BigData. Наибольшие шансы у Apple, Google, OpenAI.
Увы, но стартапу почти невозможно будет построить полный Life Graph, потому что он не контролирует устройства, операционные системы, сеть и сервисы пользователей одновременно.