核心前提每个决策由三个基本要素构成数据Data—— 用于决策的信息逻辑Logic—— 评估决策的过程行动Action—— 决策的执行Ontology将这三大要素整合为一个可扩展、动态、协作的基础平台反映组织实时变化的条件和抱负。数据维度核心问题不是数据量或数据质量而是相关性相关数据包括企业各类数据源结构化、流式、非结构化、图像等决策数据用户决策时生成的上下文决策数据包含决策上下文、评估过的选项、选择的下游影响Ontology将所有数据整合为全保真语义表示——对象、属性和链接实时演进端到端决策谱系被自动捕获供人类和生成式AI访问逻辑维度逻辑资产包括业务逻辑CRM/ERP中、建模逻辑ML模型中、规划/优化/模拟算法这些逻辑资产通常分散在不同环境中本地、云、SaaSOntology的逻辑绑定范式提供一致接口整合异构逻辑资产AI驱动的推理可以像人类一样利用所有这些逻辑工具行动维度行动闭环是运营系统与分析系统的分水岭数据名词行动动词通过逻辑组合成完整句子Ontology原生建模行动支持安全捕获同时发生且可能冲突的决策区分探索者、分阶段者、提交者的协作模型同步到各类运营系统交易系统、边缘设备、自定义应用行动与数据、逻辑共享相同的细粒度安全控制虚构案例Titan Industries背景医疗设备制造商面临关键原材料供应商中断外科口罩生产受威胁。Ontology的应用流程数据整合供应商管理、仓库运营、生产活动、配送中心、客户履行的数据综合为语义对象和链接提供端到端实时可见性安全控制敏感数据如财务指标默认自动隐藏AI副驾驶Disruption Bot利用开源和专有LLM遍历ontology中的供应商信息、库存、生产指标、货运清单、客户反馈模拟与场景运行多种物料替代方案的模拟输出作为场景在沙箱中安全分阶段AI驱动的新方案Disruption Bot发现分析师未考虑的新模型提出新颖的重新分配方案人机协作AI方案移交人类分析师最终审查行动执行自动编排回写例程——WMS通过API更新三个ERP通过原生连接器更新生产计划系统摄入整合文件学习与优化每个决策的数据、逻辑、行动都被捕获为决策谱系作为训练数据微调模型提炼为提示原则Ontology的核心价值总结以决策为中心而非以数据为中心将数据、逻辑、行动统一于单一软件系统中新数据可快速集成新算法可无缝呈现行动通过实时连接与运营系统同步每个组织的ontology是跨团队决策的实时脉搏确保AI始终锚定于企业现实后续预告文章提及后续将深入探讨Ontology底层的决策中心架构原生模拟和场景构建能力Ontology SDK提供的可扩展性将生成式AI模型连接到安全数据/逻辑/行动子集的多种方式在全企业范围扩展人机协作的方法实际案例提及J.D. Power—— 将AI引入汽车行业HCA Healthcare—— AI驱动的医院运营Jacobs—— 为工程师构建AI副驾驶这里是自己的论文阅读记录感兴趣的话可以参考一下如果需要阅读原文的话可以看这里如下所示Palantir OntologyPalantir的软件为全球最关键的商业和政府场景提供实时、AI驱动的决策支持。从公共卫生到电池生产我们的客户依赖Palantir AIP在其企业中安全、可靠、有效地利用AI——并推动运营成果。虽然实现和扩展运营影响力涉及诸多因素——包括我们的AIP Bootcamps客户在数小时内就能亲自动手使用AI取得成果——但关键的区别在于以Palantir Ontology为核心的软件架构。Ontology的设计目标是表征企业中的决策而不仅仅是数据。世界上每个组织的首要使命都是执行尽可能最佳的决策往往是在实时条件下同时应对不断变化的内部和外部环境。传统数据架构不捕捉决策背后的推理过程或由此产生的行动因此限制了学习和AI的融入。传统的分析架构不能将计算置于现实语境中因此与运营脱节。要在当今世界中导航并取胜现代企业需要一种以决策为中心的软件架构。要理解Ontology的价值让我们从任何决策的三个要素开始数据Data——用于做出决策的信息逻辑Logic——评估决策的过程行动Action——决策的执行在基础层面上每个决策都由数据用于做出决策的信息、逻辑评估决策的过程和行动决策的执行构成。Ontology将决策制定的这三个组成要素整合到一个可扩展、动态、协作的基础中反映组织不断变化的条件和抱负并随它们实时演进。数据当今的组织被前所未有的数据量所淹没。数据源的数量、种类和速度不仅在增加而且随时间加速增长。虽然关于数据清洗和统一的价值已有大量论述但在AI时代核心问题是相关性。相关数据当然包括各类企业数据源——结构化数据、流式和边缘数据源、非结构化仓库、图像数据等——但它还包括终端用户在决策过程中生成的数据。这种决策数据包含特定决策的上下文、评估过的不同选项以及所选择方案的下游影响。生成式AI提供了突破性的能力能够从全量决策数据中综合学习持续丰富人工和AI驱动的工作流。自然地将全范围企业数据与流动的决策数据格局相集成需要一种与为报表和分析优化的经典数据库管理解决方案截然不同的架构。Ontology将所有模态的数据整合到一个全规模、全保真的企业语义表示中。各类运营数据源ERP、MES、WMS等可以与来自IoT和边缘系统的数据流、非结构化数据仓库的相关部分、地理空间数据存储等同步并上下文化。Ontology统一并激活这些碎片化的数据池以企业的语言呈现它们。企业不再需要处理将运营丰富性扁平化为狭窄模式的黄金表而是以对象、属性和链接的形式生动呈现这些元素实时演进并被设计为直接嵌入决策工作流中。关键的是Ontology被设计为安全捕获运营用户在日常工作中如在供应链、医院系统、客户服务中心内产生的决策数据。端到端的决策谱系——决策何时做出、基于哪个版本的企业数据、通过哪个应用——被自动捕获并可安全地供人类开发者和生成式AI访问。这为大规模AI驱动的学习提供了所需的全面的基础。Ontology将所有模态的数据整合到一个全规模、全保真的语义表示中捕捉企业不断演进的现实并作为强大AI驱动工作流的基础。逻辑虽然数据是基础但它只是决策过程的一个维度它必须辅以推理或逻辑即决定何时以及如何做出特定决策的要素。支撑决策的逻辑可以是一个核心业务系统中的简单业务逻辑一个使用云数据科学工作台维护的预测模型一个使用多个数据源生成运营计划的优化模型——可能性无穷无尽。在现实场景中人类推理往往起着编排作用决定在特定工作流的哪些节点使用哪些逻辑资产以及如何在更复杂的流程中将其串联起来。随着生成式AI的出现现在至关重要的是AI驱动的推理能够像人类历史上所做的那样利用所有这些逻辑资产。确定性函数、算法和传统统计过程必须作为工具呈现以补充大语言模型和多模态模型的非确定性推理。Ontology使全套逻辑资产——决定决策如何制定的计算和过程——能够为人类和AI用户连接并上下文化。这包括通常位于CRM和ERP中与客户交互相关的业务逻辑驱动传统机器学习、分散在数据科学环境中的建模逻辑以及通常与领域特定工具交织在一起的规划、优化和模拟算法。Ontology灵活的逻辑绑定范式提供了一个一致的接口用于构建无缝整合和组合异构逻辑资产的工作流——这些资产可能位于非常不同的环境中如本地数据中心、企业云环境、SaaS环境、Palantir平台。最终这意味着AI驱动的推理可以被平滑地引入利用多样化逻辑集的决策场景中而这些场景传统上仅由人类用户主导。Ontology使用户能够构建整合和组合异构逻辑资产的工作流。最终这意味着AI驱动的推理可以被安全地引入日益复杂的决策场景中。行动当信息数据和推理逻辑都被纳入共享表示后剩下的要建模的部分就是决策本身的执行和编排行动。在实时决策中闭环行动回路是区分运营系统与分析系统的关键。自Palantir成立以来决策的执行与数据合成或分析整合同等重要。这要求设计和实现广泛的功能包括如何安全捕获可能同时发生且可能存在冲突的决策一个协作模型区分哪些人可以探索可能的决策、哪些人可以分阶段决策以供审查、哪些人可以提交这些决策以及一个将决策同步到现有数据库、边缘平台和坚固资产的广泛框架。Ontology在企业的一个内聚的、以决策为中心的模型中原生建模行动。如果Ontology中的数据元素是企业的名词语义化的、现实世界的对象和链接那么行动可以被视为动词动态的、现实世界的执行。在每一个Ontology驱动的工作流中名词和动词通过人类和/或AI驱动的推理整合了各种逻辑片段被组合成完整的句子。虽然将数据统一在一个语义模型中本身就有价值虽然整合逻辑以全面评估可能的决策势在必行——但除非执行的决策与运营系统同步否则这一切最终价值有限。Ontology使人类和AI驱动的行动能够安全地作为场景分阶段呈现以与数据和逻辑原语相同的细粒度访问控制进行治理并安全地回写到每一个企业底层系统——交易系统、边缘设备、自定义应用等。Ontology在企业的一个内聚的、以决策为中心的模型中原生建模行动使人类和AI驱动的行动能够安全地作为场景分阶段呈现以与数据和逻辑原语相同的访问控制进行治理并安全地回写到每一个企业底层系统。简而言之Ontology将数据、逻辑和行动整合到一个以决策为中心的企业模型中可供人类和AI共同利用。从数据集成到应用构建再到终端用户工作流一切都通过一个久经考验的模块化架构驱动——使人类用户和AI驱动的副驾驶及自动化能够在共享的运营基础上查询、推理和行动。让我们通过一个示例来解构Ontology如何使50多个行业的组织在数天内激活AI驱动的工作流。运营示例Titan Industries是一家虚构的医疗设备制造商生产从注射器到外科口罩等一系列成品每种产品都需要将精确的物料组合通过相关的制造流程。多样化的团队管理着从供应商关系、仓库运营、成品生产到终端客户分销的一切决策相互依赖并不断适应变化的环境。简而言之经营业务的每一天都带来独特的挑战。在这个示例中Titan Industries面临一个主要供应商的意外中断该供应商提供生产外科口罩所需的关键原材料。考虑到Titan各制造工厂紧张的生产计划以及客户对外科口罩不断增长的需求此次中断将给履行未完成客户订单带来严重问题。幸运的是Titan的运营领导层已将广泛的数据源、逻辑资产和行动系统连接到其企业ontology中——因此能够迅速响应。Titan的ontology汇集了应对原材料中断所需的所有决策要素它为每次短缺提供受影响收入的全景可见性以指导优先级排序允许AI驱动的建议和最终解决方案以考虑企业的运营现实并驱动回写和持续学习——不仅保持系统更新还优化未来决策。Titan将首先评估供应商短缺的即时影响然后使用AI评估跨生产线的可能重新分配策略最后将其决策转化为一组连接的行动同时更新仓库流程、生产计划和履行路线。Titan的ontology提供跨业务各相互依赖部分的实时、端到端运营可见性——使领导层和一线团队都能快速了解供应商中断。涉及供应商管理、仓库运营、工厂内生产活动、配送中心处理和客户履行的关键数据系统都被综合为语义对象和链接反映业务的语言。只需几次点击运营领导者就能精确定位因原材料短缺而面临风险的外科口罩生产并通过ontology中的连接导航到每一份现在也面临风险的未完成客户订单。Ontology的细粒度安全模型确保更敏感的数据元素如财务指标在响应扩大到涵盖企业内更多团队时默认自动隐藏。虽然运营用户通过直观的Workshop和SDK驱动应用导航Ontology是无缝的但大语言模型的加入对Titan Industries来说是力量倍增器。AI驱动的副驾驶利用开源和专有LLM能够流畅地导航组织ontology中包含的供应商信息、库存水平、实时生产指标、货运清单和客户反馈。关键的是所有AI活动都受与人类使用相同的安全策略控制——确保Titan工程师始终精确控制LLM可以查询、推荐和采取行动的内容。每个构建和部署的AI副驾驶都可以被视为一个新团队成员随着Titan团队成员对其性能建立信心逐步获得更广泛的权限。Titan的ontology整合了组织关键系统的数据将其综合为语义对象和链接提供运营的实时、端到端可见性使领导层和一线用户都能快速评估中断的全部影响。态势感知只是Ontology冰山一角Titan Industries需要快速识别应对供应商中断的解决方案并探索每个可能决策固有的权衡。幸运的是多样化的预测模型、分配模型、生产优化器和其他逻辑资产已与前述数据源一起连接到Titan的ontology中。这使供应链分析师能够快速运行一系列模拟详细说明不同可能物料替代的后果。Ontology连接、实时的特性在此阶段至关重要因为替代原材料可能对用相同材料生产的其他产品如注射器、手套产生下游影响。当模拟运行时模拟输出被分阶段作为ontology场景将提议的变更安全打包到Ontology的一个沙箱子集中——使团队能够在提交决策前安全地探索和分析决策的影响。对Titan团队来说真正的游戏规则改变者是AI驱动的副驾驶和自动化可以安全地利用全套逻辑资产以及相同的场景框架。Ontology使LLM能够超越以数据为中心的检索增强生成的限制通过可扩展的工具范式与Ontology中互联的数据、逻辑和行动原语交互。这意味着当Titan的分析和数据科学团队在其云工作台中创建新的机器学习模型、在企业系统内调优优化算法、使用Palantir的开放模型构建框架微调LLM时Ontology安全地将所有这些逻辑资产呈现为AI就绪工具。在本案例中Titan创建了一个经过调优的AI副驾驶Disruption Bot它能够使用一套Ontology驱动的工具扫描全范围的企业数据源、类似情况下先前行动方案的事后报告以及可能适用的物料重新分配模型。由于通过Ontology提供了丰富、密集的上下文Disruption Bot能够提出一个新颖的重新分配方案使用了供应链分析师尚未考虑过的新模型。在该方案的影响被安全地分阶段置于场景中后AI提出的决策被移交给人 类分析师进行最终审查。Ontology安全地将Titan的逻辑资产——从机器学习到优化模型——呈现为AI就绪工具为人类和AI驱动的工作流提供丰富、密集的上下文。确定了解决物料短缺的可行方案后Titan Industries需要快速安全地将决策推送到运行各组成流程的运营系统。考虑到企业通过收购成长包含多样且微妙的关键运营系统组合Titan IT团队对哪些流程可以回写这些系统以及在什么条件下回写保持警惕。幸运的是Ontology对行动应用与数据和逻辑同样严格的控制和验证提供对谁可以调用给定行动的细粒度控制、用于发布变更的测试驱动框架、批量分阶段和审查变更的能力以及每个事件的详细日志记录。在本案例中物料重新分配方案的执行自动编排了一组回写例程每个都为接收系统调优仓库管理系统接收API驱动的更新三个ERP系统各自通过原生Ontology驱动的连接器接收更新遵守每个系统中的保障措施生产计划系统接收一个整合的平面文件异步摄入。当行动执行时Titan IT团队可以监控系统响应并始终有权审计过往活动。Ontology提供了AI在允许边界内安全采取行动所需的护栏。与数据和逻辑一起行动可以自动作为工具呈现给AI驱动的副驾驶和自动化。行动的范围可以限于仅反映Ontology本身中的特定变更如对对象的编辑或新对象的创建或可以回写到单个或多个系统。在Titan的背景下他们已授予Disruption Bot和其他几个生产AI副驾驶访问少数行动的权限。在默认情况下这些行动如更改工单状态或推送重新分配方案只能由AI分阶段呈现然后移交给人 类进行最终审查。然而借助Ontology及更广泛的Palantir平台提供的细粒度日志记录和运营仪表化Titan能够精准选择哪些可信赖的、成熟 的AI流程可以自动闭环而无需人类审查。随着条件变化赋予AI的权限可以扩大或缩小——并立即反映在所有Ontology驱动的工作流中。Ontology允许Titan自动将行动作为工具呈现给AI驱动的副驾驶和自动化同时提供AI在预定边界内安全采取行动所需的护栏。危机之后呢随着数据、逻辑和行动都连接到Titan的ontology中组织有能力进行强大的以决策为中心的学习。产生特定物料短缺解决方案的人机协作也揭示了可推广的工作流组织希望将这些工作流记录下来并在未来呈现。每个被评估的数据元素、逻辑资产和行动都被捕获在端到端的决策谱系中——这作为优化AI性能的丰富、上下文燃料。数千用户在Ontology中做出的聚合决策可以安全地用作微调模型时的训练数据并且可以提炼为目标原则在LLM提示时被调用。传统上被困在工作流缝隙中的隐性知识可以被AI照亮以改进AI的应用。Ontology在决策制定时捕获每个数据元素、逻辑资产和行动的更新——这作为随时间优化AI性能的丰富、上下文燃料。Ontology前行最终Ontology允许每个组织将AI直接连接到其核心运营中并精确控制AI驱动的建议、增强和自动化如何以及在何时可以用于一线场景。这是唯一可能的因为Ontology是以决策为中心的而不仅仅是以数据为中心的它将决策制定的组成要素——数据、逻辑和行动——整合在单一软件系统中。新数据可以快速集成到全保真的语义表示中新算法和业务逻辑可以为人类和AI用户无缝呈现通过与全范围运营系统的实时连接实现强大的行动集成。每个组织的ontology都是对跨团队不断变化的条件、抱负和决策的实时脉搏——确保AI始终锚定在企业的现实中。感谢阅读这篇Ontology介绍。本文仅触及Ontology底层以决策为中心的架构的表面系统原生的模拟和场景构建能力通过Ontology SDK提供的可扩展性将商业和开源生成式AI模型连接到安全的数据、逻辑和行动子集的各种方式以及在整个企业中扩展人机协作的方法。
