铃阅时讯
❌

普通视图

推动Palantir市值两年暴涨12倍的Ontology,到底是什么?

2025年1月20日 20:02

原创 风叔 2025-01-20 20:02 上海

Ontology,构建企业级AI Agent的大杀器!

前言

如果盘点美股这两年最火爆的公司,除了大家耳熟能详的英伟达、特斯拉之外,Palantir绝对算得上是最炙手可热的明星公司之一。从2023年初到现在,短短两年之间,Palantir的市值上涨了惊人的1200%!

Palantir是一家专注于AI大数据分析和智能决策的上市公司,与美国政府、军方和企业都有非常密切的合作。Palantir帮助客户解决业务中最复杂的问题,从大数据反恐到供应链优化,更令人吃惊的是,Palantir每年平均从每个客户身上赚取超过1000万美金,即便如此昂贵的价格,客户对Palantir都保持了极高的忠诚度。

2023年4月,Palantir发布其最新的GenAI产品AIP,开始拉动Palantir股价的飙升。为什么市场如此看好Palantir?Palantir相比其他做数据分析和商业智能的公司,其核心差异是什么?

答案就是Ontology(本体论)。

什么是本体论Ontology?

本体论(ontology)是哲学中的一个重要概念,它主要研究存在的本质和基本特征。在计算机科学领域,本体论是一种对概念和概念之间的关系,进行明确的、形式化的描述方法。它构建了一个领域知识的语义模型,用于知识的表达、共享和复用。

以医药领域为例,该领域的主要概念包括:

药品:最核心的概念之一,包括了多种属性,比如名称、成分、剂型、规格、适应症、禁忌症等等。比如阿司匹林是一种药品名称,主要成分是乙酰水杨酸,剂型有片剂、胶囊和注射剂,规格包括0.1g和0.3g等,用于解热、镇痛。

疾病:疾病有多种属性,比如症状、危害等。比如甲流就是一种疾病,症状包括发热、流涕、咳嗽等等,危害是影响患者的呼吸道和肺。

医生:医生能够诊断疾病和开具药方,医生同样也有自己的属性,例如专业领域、职称等等。

医院:提供医疗服务的场所,医院的属性包括等级、科室设置

医药公司:进行药物的研制和生产,医药公司的属性包括规模、所属国家

药监局:对药物的申请和上市进行监管和审批

当然,实际的医药领域还会包括医疗设备、医疗设备公司、医药代表等更多概念,这里简单起见,暂时不考虑这些概念。

从医药领域的本体出发,概念和概念之间的关系如下所示。

医生 - 诊断 - 疾病:医生根据患者的症状特征,结合医疗设备的检查结果,对患者可能的疾病进行诊断。

药品 - 治疗 - 疾病:根据患者的可能疾病,需要开具相应的药品,药品可以治疗疾病。

医院 - 检查 - 疾病:患者在医院挂号,通过医院的科室和医疗设备,对相关指标进行检查。

医药公司 - 研发 - 药品:医药公司通过各种生物、化学、医学等方式,进行药物研发。

药监局 - 审批 - 药品:药监局需要对药品的上市进行监管和审批。

医药公司 - 供应药品 - 医院:医药公司向医院供应药品。

看到这里,大家可能会发现,Ontology和知识图谱有着非常密切的关系。ontology表达的是概念和关系,而知识图谱是一种将信息表示为实体(节点)和关系(边)的网络。

更直观点来说,知识图谱等于本体加上数据,本体是知识图谱更抽象的表达。

当我们以上面那张图为基础,填入实际的实体信息,比如FDA、辉瑞制药、立普妥、霍普金斯医院、冠心病等等,千千万万个这样的实体信息,就会构成一张庞大的知识图谱。

Ontology的三个服务支撑

我们再仔细观察一下Palantir AIP的系统架构图,支撑Ontology Layer的是三个服务,Data Services、AI Services和Workflow Services,分别代表企业决策过程的三大要素:数据(Data)、逻辑(Logic)和行动(Action)。

因此,从某种程度上来讲,Ontology Layer加上三个服务层,就构建了一个企业的数字孪生。企业的经营现状,各种对象和数据,都能在数字孪生中得到精确的映射。而通过在数字孪生中添加和调整数据,还能反过来预测企业做出某种决策带来的效果。

Data Services(数据层)

数据层的核心,是对各种物理对象进行有效的提炼和抽象,即每个本体的概念和属性。比如零售场景中,商品、订单、门店、供货商、物流服务商等等,都是该场景下的关键实体。

基于本体的定义和属性,对企业的多源异构数据进行归一化处理,形成统一的Semantic Layer,即语义表示。Semantic Layer的主要作用就是将底层复杂的数据结构,转换为具有业务意义的概念和关系。此外,Semantic Layer还有一个关键作用,就是帮助各个不同部分,统一语义上的一致性。

最后,面向外部系统,数据层还要提供统一的API Interfaces,便于外部系统随时调取数据服务。

AI Services(逻辑层)

虽然数据是基础,但数据必须辅以推理和逻辑,才能做出更准确和科学的分析决策。以企业实际业务场景为例,业务部门在进行分析和决策的时候,可能会基于简单的规则,也可能会基于复杂的机器学习模型,或者某些特定场景下的小模型。比如零售连锁品牌在某地区开设新门店之前,就会分析目标区域的客流、用户画像、交通数据等,甚至还会构建销量预测模型,以评估目标区域的潜力。

逻辑层的核心,就是构建好各个本体和衍生出来的实体之间的逻辑关系。可以通过大模型和小模型的结合,比如Machine Learning、数学求解器、知识图谱等等。同时,还包括和业务系统的tool call,以及将各个环节有效串联起来的低代码流程编排工具。

Workflow Services(行动层)

任何企业决策,最终都要落实到行动上,比如开设新门店、研发新产品、优化供应链等等。通过这些行动后获得的业务反馈,进一步量化决策的效果。

行动层的核心,是利用大语言模型辅助企业员工的实际行动,比如在工业生产中更新ERP、更新MES、更新排产计划等等。因为我们利用Ontology构建了企业的数字孪生,因此这些行动可以先不必体验在实际物理环境中,而是在数字孪生中进行模拟和预测。

因此,行动层还包括了完整的控制、审核和模拟程序、沙盒环境以及环境的反馈回路,更安全地执行AI提供的行动建议。并且根据环境反馈,对逻辑层的模型和流程进行更新迭代。

目前,很多数据分析的企业或工具,能够一定程度上提供数据层和行动层的能力,但是逻辑层提供了一个企业或部门背后运转的核心业务逻辑。只有逻辑层的存在,才能最大限度发挥Data和Action的作用。

总结

Ontology可以说是Palantir走向成功的关键钥匙,同时也是Palantir的产品护城河。相对于广为人知的RAG(Retrival Augmented Generation),Palantir创造性地提出OAG(Ontology Augmented Generation),不只是做知识和数据的召回,而是同时融合企业私有数据、企业业务逻辑和业务行动反馈,实现企业复杂问题的解决。

基于OAG,Palantir落地了非常多极具挑战的项目。

比如宝马汽车生产优化项目,总费用超过2000万美元,主要任务是帮助宝马汽车优化生产流程、提高制造效率、预测供应链需求、提升产线灵活性。

比如默沙东利用Palantir,整合全球多个实验中心,进行临床实验数据分析与优化、生物标志物筛选、药物响应预测等等,大幅提升了药物研发效率。

还有很多案例就不一一列举了,感兴趣的读者可以进入Palantir的官网AIP Now,了解更多经典案例。

更多精彩文章:

大佬们都在关注的AI Agent,到底是什么?用5W1H分析框架拆解AI Agent(上篇)

RAG实战篇:构建一个最小可行性的Rag系统

离开工作了七年的鹅厂,风叔正式踏上AI大模型的创业之旅

RAG一周出Demo,半年上不了线,怎么破?

风叔,AI大模型领域创业者,前腾讯产品总监,十多年产品设计和商业化经验,对电商、营销、AI和大数据产品具备丰富的实战经验。风叔将坚持输出自己的总结和思考,希望对你有帮助。

跳转微信打开

❌