Chris Mahl，Pryon 总裁兼 CEO – 采访系列

Chris Mahl 是 Pryon 的总裁兼首席执行官。凭借二十多年的经验，在世界上一些最著名的企业软件公司任职，Chris 专门从事为各个成长阶段的科技公司制定市场和运营策略。

Pryon 提供了一条可信、安全、成熟的通道，帮助企业实施生成式 AI。Pryon 的最佳引擎和检索引擎可以与生成式 LLM 配对，实现检索增强生成，并在企业范围内提供准确、即时和可验证的答案。

利用行业领先的检索技术，Pryon RAG 套件可以从音频、图像、文本和视频等各种来源中安全地提取答案。Pryon 的产品易于使用，通过 API 可从任何系统访问，并可以在几周内在云端或本地部署。

Pryon 专注于检索增强生成（RAG）。您能否解释您的检索方法与其他 AI 驱动的搜索和知识管理系统有什么不同？

Pryon 的检索方法与众不同，因为我们的检索引擎可以实时从多样化的来源访问内容，同时保持数据隐私，不依赖外部依赖。我们将语义搜索与细粒度数据归属相结合，实现了超过 90% 的检索准确率。与许多系统不同，我们的系统可以有效地扩展到大型组织，允许团队快速、准确地做出决定，基于他们现有的知识库。

Pryon 的引擎旨在处理大量多模式内容。您的引擎处理过程有什么独特之处，它如何提高检索准确率？

Pryon 的引擎可以处理多模式内容，包括音频、图像、文本和视频等各种来源。这种方法解决了企业中断连的数据问题。随着非结构化数据每年增长超过 50%，我们的引擎将分散的信息转化为结构化、可操作的知识。该过程旨在确保安全和隐私，保护敏感的企业数据，同时使其立即可用。

您的检索引擎承诺提供即时、准确和可验证的答案。Pryon 如何确保准确性并最小化幻觉的发生？

Pryon 通过多种机制确保准确性并最小化幻觉。我们的技术将语义搜索与细粒度数据归属相结合，这意味着答案可以追溯到其特定的来源。这种归属对于验证至关重要。系统可以实时从原始来源访问内容，而不是依赖可能过时或不完整的知识库。这种直接连接到源材料，加上我们的高检索准确率（超过 90%），显著降低了许多生成式 AI 系统中幻觉的风险。

Pryon 如何处理信息的实时更新，特别是在政府、能源和医疗保健等动态环境中？

Pryon 通过灵活的、按需的内容同步，确保实时访问最新信息。用户可以通过我们的 Admin 门户触发内容同步，也可以使用我们的 Sync-API 在计划的基础上自动更新内容——无论是每周、每天还是每小时，取决于运营需求。我们的增量检查过程优化了效率，只更新更改的内容，确保在关键任务环境中快速、准确、资源高效地检索知识。

Pryon 与政府和国防机构合作。虽然细节经常被归类，但您能否讨论一个案例，其中您的 AI 显著改善了决策或运营效率？

Pryon 与包括空军研究实验室（AFRL）和首席数字和人工智能办公室（CDAO）在内的国防和情报机构合作，帮助简化运营并实现更快、更明智的决策。

一个强大的例子是我们与美国空军数字转型办公室（DAF DTO）的合作。该团队支持采购和维护人员，他们经常需要在数十万个网页和文档中找到关键信息。我们一起推出了 DTO Wingman，一款 AI 驱动的助手，能够提供准确、实时的答案，并附有来源归属。

用户不再需要手动搜索政策文档或法规，可以直接提出问题，如“我的旅行卡可以购买什么？”或“什么是数字建筑规范，它与采购有什么关系？”AI 返回精确的响应，甚至可以帮助快速生成报告和演示材料。

通过为空军和太空部队人员提供即时的可靠答案，DTO Wingman 正在帮助团队更高效地工作，并为高级人员和决策者提供可靠、及时的指导。

您的生命科学工作提到了 AI 辅助研究。Pryon 的系统如何帮助研究人员导航像 PubMed 或私人研究存储库这样的庞大数据集？

Pryon 的系统通过以下几个关键能力帮助研究人员导航像 PubMed 或私人研究存储库这样的庞大数据集。

提高研究质量：

• 减少人为错误：系统化检索最新数据，确保更少遗漏的文章或忽略的证据。
• 基于证据：每个答案都基于原始文献，促进数据驱动的结论，并追溯到来源句子。

保护高度敏感的内容：

• 保密性：保持严格的访问控制和数据加密，对于专有或患者相关的数据集至关重要。
• 合规性：在 HIPAA 或 GDPR 等法规管辖的数据中，研究人员可以相信敏感信息受到保护。

对于客户服务和销售，Pryon 的 AI 与传统的聊天机器人和 CRM 解决方案相比，如何提高效率和减少支持负担？

客户服务和销售互动通常需要平衡准确性和灵活性。由于给客户提供错误答案是不可接受的，并可能产生法律影响，许多聊天机器人提供商和传统的对话式 AI 解决方案选择限制灵活性，采用硬性确定性的“仅限 FAQ”风格的交互。

这对供应商来说是一个痛点，需要手动编码特定的答案来回答常见问题，并为客户提供了一个差劲的体验，界面类似于聊天机器人，但体验却非常僵化，几乎与阅读 FAQ 没有什么区别。其他供应商尝试使用更灵活的生成式体验，但由于缺乏精确的检索，需要将整个产品目录或网页填入 LLM 的上下文窗口，从而降低了输出的准确性，可能带来灾难性的后果。

RAG 的艺术和科学是关于最大化信号（真实性）和最小化噪音（不相关的上下文，通常会混淆 LLM）。Pryon 检索的精确度——能够在所有文档中找到特定句子的答案——意味着客户服务和销售不再需要在准确性和灵活性之间妥协。

您认为当前企业 AI 采用的最大挑战是什么，特别是与 RAG 基础系统相关的挑战？

虽然这确实是我们在市场互动中发现的，但也越来越被广泛认可，即“AI 准备就绪的数据”（或缺乏）是 AI 部署失败的最大点。

• 哈佛商业评论调查显示，91% 的高管表示可靠的数据基础对于成功的 AI 部署至关重要。
• 麦肯锡发现，70% 的 GenAI 计划面临与数据相关的挑战，只有 1% 的企业重要数据反映在当前的模型中。
• 《华尔街日报》援引可靠性作为 AI 代理采用的首要关注点——一个与数据质量和可访问性密切相关的问题。
• 高德纳公司确定缺乏 GenAI 准备就绪的数据是部署失败的首要原因。

AI 准备就绪的数据不仅仅是将您的文档向量化——它是关于统一您的分散源，处理复杂格式（如多模式输入），清理您的数据，增强您的数据，将其转化为 LLM 可以处理的格式，分块以保持最佳准确率和降低成本，智能索引，并连接到高性能的检索系统等。

这些是需要专用能力和工具的大挑战。在 Pryon 对大型企业内部的 RAG 构建者进行的一项调查中，数据准备被评为最昂贵、最耗时和最具技术挑战性的构建部分，其次是信息检索。

您如何区分 Pryon 的 RAG 套件与 Microsoft 、Google (GOOGL ) 或 OpenAI 提供的企业解决方案？

具体的区别因玩家而异，但总体而言，大型科技玩家专注于成为工作中 AI 的接口。Pryon 着眼于更根本的层次——知识层。Pryon 解决了数据准备和检索的深层次问题，而大型科技玩家则专注于提供广泛的 AI 解决方案，可以满足一些简单的 RAG 用例，但通常在面对企业和政府用例的复杂性时会崩溃。Pryon 还可以与这些系统互补，Copilot、Gemini 或 GPT 生成的内容可以插入 Pryon 知识层，以便为下游应用程序和代理做好准备。

随着 AI 法规的演变，例如 EU AI 法案和美国 AI 指南，Pryon 如何处理合规性和道德 AI 使用？

随着全球 AI 法规的演变，Pryon 致力于合规和道德 AI 部署。我们的方法符合 EU AI 法案、美国 AI 指南和国防部的负责任 AI（RAI）原则，确保我们的 AI 解决方案是值得信赖的、透明的和可治理的。通过在整个 AI 生命周期中集成严格的评估、追溯和持续监控，我们优先考虑安全、公平和性能——e—优先考虑安全、公平和性能。通过将这些最佳实践嵌入我们的部署方法中，Pryon 启用组织以负责任的方式利用 AI，同时满足最高的监管和道德标准。感谢您这次精彩的采访，希望了解更多的读者请访问 Pryon。