这份研报探讨了AI时代知识与本体的演进,从数据工程到知识工程的转变。报告分析了知识表达的多样性及其优劣势,并介绍了五种不同的知识(本体)建模与运行方式,包括Palantir Ontology、Snowflake Semantic View、Apache Ossie、Databricks Genie Ontology和Agent Memory。此外,还讨论了知识建设的挑战与应对策略,如知识的获取和加工,以及知识工程平台的架构共识和面向新一代知识的数据基础设施。
知识工程赛道正经历从数据到知识的第三次数据革命,成为企业在AI三要素中的关键差异化来源。当前业界缺乏统一的知识建模标准,存在多种建模路线,每种路线在设计目标、保证与自由方面存在差异。未来,知识工程将更加注重从非结构化到结构化的过程,需要一套整体的基础设施支持,包括AI-ETL、Agent可观测与评估、统一知识库等。知识工程平台的建设将依赖评估驱动和持续更新,形成使用、蒸馏、认证与服务的闭环。
研报重点分析了知识工程的挑战与应对,包括知识的获取和加工。在知识获取方面,报告提出最难的知识在人脑中,需通过Trace而非文档获取,并以“验证查询”蒸馏语义视图为例,展示了自动化、可验证、零编造的效果。在知识加工方面,报告指出Raw Data不等于AI-ready Data,需要通过抽取、转换、索引、评估、服务五步成为知识,并以头部内容平台将业务文档蒸馏成语义视图为例,展示了准确率提升和Token成本降低的效果。此外,报告还探讨了知识工程平台的架构共识,如蒸馏过程用Agent Loop还是Pipeline,以及知识工程/蒸馏管线–奖牌架构(MedallionModel)等。
当前知识工程市场存在多种知识建模与运行方式,但缺乏统一的标准,导致存在五种不同的路线。这些路线在设计目标、保证与自由方面存在差异,适用于不同场景。市场上主要的知识工程平台包括Palantir Ontology、Snowflake Semantic View、Apache Ossie、Databricks Genie Ontology和Agent Memory等。这些平台各有优劣,如Palantir Ontology全面但成本高,Snowflake Semantic View确定性强但仅限结构化数据。知识工程市场正处于快速发展阶段,未来将更加注重知识的获取、加工和服务,以及知识工程平台的架构设计和持续更新。
研报提示的知识工程市场风险主要包括:一是知识建模标准的缺失导致不同平台间存在兼容性问题;二是知识获取难度大,难以全面捕捉人脑中的隐性知识;三是知识加工过程复杂,需要多步骤处理才能将Raw Data转化为AI-ready Data;四是知识工程平台的建设需要一套整体的基础设施支持,投入成本较高;五是知识工程平台需要持续更新和评估,以适应不断变化的业务需求。这些风险需要企业谨慎评估和管理,以确保知识工程项目的成功实施。