Imago Platform利用图技术改进AI知识管理
当企业需要准确答案而非看似合理的答案时，AI驱动的知识管理系统面临着一个根本性挑战。Imago Platform Ltd.在开发一款帮助客户应对复杂产品保修政策的应用程序时，就遇到了这个问题。
Imago的第一个客户是一家照明和电气企业，需要帮助解决跨制造商的保修索赔问题，而各制造商的保修政策差异很大。该公司导入了大量PDF文档，但其AI模型难以持续生成准确的答案。据Imago Platform联合创始人Magnus Helander（如图）介绍，由于这些模型生成的是概率性而非确定性的响应，该方法未能达到客户的要求。
“我们就是无法让这个东西达到100%的准确率，”他说。“我们加入了Neo4j Startup Program，获得了一些帮助，开始使用图技术，突然间……模型开始一次又一次地给出正确结果。”
Helander与John Furrier在theCUBE + NYSE Wired: AI Luminaries访谈系列中进行了对话，该系列在SiliconANGLE Media的直播工作室theCUBE上进行。他们讨论了Imago Platform如何将业务系统连接到一个安全、智能的枢纽中。（*披露信息见下文。）
图数据库拓展知识管理应用
Imago Platform将客户关系管理和企业资源规划系统与文档和电子邮件连接起来，把来自不同来源的信息汇聚在一起。该公司成立于18个月前，还为瑞典的物业管理团队、汽车经销商和零售商提供服务。
“我们有一个产品查找器，你可以输入自己的需求，比如买车，”Helander说。“‘我有三个孩子，我需要通勤；你能推荐什么？’我们不再需要通过传统的复选框，从300个选项中试图找出哪辆车合适，而是能够构建一个基于需求的产品引擎。如果没有图数据库以及一系列先进的搜索技术，这是不可能实现的。”
Imago Platform的经验凸显了将AI智能体建立在相关业务信息基础上的重要性。Helander解释说，图数据库有助于在不同来源之间建立关系，为智能体提供了一种在上下文中检索信息的方式，而不是仅仅依赖语言模型的通用知识。
“这些模型被设计成乐于助人，”他指出。“如果它没有数据，它就会为你生成数据，因为这就是乐于助人的定义，然后你就会得到幻觉。当你为模型提供上下文时，情况就会发生变化。这个东西与那个东西相连，那个东西又以这种方式与另一个东西相关，突然间一切似乎就完美匹配了。”
AI智能体可以利用数据库、文件存储、实时数据和应用程序编程接口来执行业务任务。Helander解释说，随着越来越多的业务逻辑转移到AI层，开发人员还需要方法来监控智能体的活动并追踪智能体所采取的步骤。
“突然间，你会有智能体在后台运行，因为它们深入 Kubernetes（容器编排平台） 网络，或者在你实际上没有可观测性的某个地方默默运转，”他说。“你根本不知道它是如何得出那个结论的。Neo4j 在这方面帮了我们。它可以追踪智能体的工作。它为每一步创建节点。”
完整的视频采访，这是 SiliconANGLE 和 theCUBE 对 theCUBE + NYSE Wired：AI Luminaries 采访系列报道的一部分：
（* 披露：theCUBE 是 theCUBE + NYSE Wired：AI Luminaries 采访系列的付费媒体合作伙伴。Neo4j——theCUBE 活动报道的赞助商——以及其他赞助商均不对 theCUBE 或 SiliconANGLE 上的内容拥有编辑控制权。）
转载声明：本文为转载整理，原文版权归原作者及原站点所有。
原文来源：SiliconANGLE
原文作者：Mark Albertson；如有侵权，请联系管理员删除。
