Chris Mahl，Pryon 公司总裁兼首席执行官 – 采访系列

Chris Mahl 是 Pryon 公司的总裁兼首席执行官。在世界上一些最著名的企业软件公司拥有超过二十年的经验，Chris 专门从事为各个成长阶段的技术公司制定市场和运营策略。

Pryon 提供了一条可靠、安全、成熟的路径来在企业中实施生成式 AI。Pryon 最佳的摄取和检索引擎可以与生成式 LLM 配对，实现检索增强生成，并安全地提供准确、即时和可验证的答案，适用于企业规模。

使用行业领先的检索技术，Pryon RAG 套件可以安全地从所有形式的内容中提取答案，包括音频、图像、文本和视频，这些内容存储在各种来源中。Pryon 的产品易于使用，通过 API 可从任何系统访问，并且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）。您能解释一下您的检索方法与其他 AI 驱动的搜索和知识管理系统的区别吗？

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（如 PDF、图像、网页和视频）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 摄取引擎旨在结构化大量的多模态内容。您的摄取过程有什么独特之处，它如何提高检索准确率？

Pryon 的摄取可以处理多模态内容，从音频、图像、文本和视频中提取答案，涵盖各种来源。这解决了企业中数据断裂的根本问题。随着非结构化数据每年增长超过 50%，我们的摄取引擎将分散的信息转化为结构化、可执行的知识。该过程的设计注重安全和隐私，保护敏感的企业数据，同时使其立即变得有用。

您的检索引擎承诺提供即时、准确和可验证的答案。Pryon 如何确保准确性并在提取信息时最小化幻觉？

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。该系统直接从原始来源访问内容，而不是依赖于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 系统中常见的幻觉风险。

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 定期自动更新，无论是每周、每天还是每小时，取决于运营需求。我们的 delta-checking 过程通过仅更新更改的内容来优化效率，确保在政府、能源和医疗保健等任务关键环境中快速、准确和资源高效地检索知识。

Pryon 与政府和国防机构合作。虽然细节往往是机密的，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 与国防和情报机构合作，包括空军研究实验室（AFRL）和首席数字和人工智能办公室（CDAO），以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。这支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。我们共同推出了 DTO Wingman，一款 AI 驱动的助手，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件或法规，只需问类似“使用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？”的问题，AI 就会返回精确的响应，甚至可以帮助快速生成报告和演示材料。

通过为空军和太空军人员提供即时访问可靠答案，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浏览像 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浏览像 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，确保更少的遗漏文章或忽略的证据。
• 有证据支持：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数据集至关重要。
• 合规性：在数据受 HIPAA 或 GDPR 等法规管辖的情况下，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，如何在提高效率和减少支持负担方面表现？

客户服务/销售互动通常需要在准确性和灵活性之间取得平衡。由于向客户提供错误答案是不可接受的，并可能具有法律影响，因此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，仅使用“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以应对常见问题，并为客户提供糟糕的体验，聊天机器人的界面与阅读 FAQ 几乎没有区别。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，这需要将整个产品目录或网页填入 LLM 的上下文窗口，从而降低输出的准确性，可能带来灾难性的后果。

RAG 的艺术和科学就是最大化信号（真实性）和最小化噪音（不相关的上下文，经常混淆 LLM）。Pryon 检索的精确性——能够在所有文档中找到特定句子级别的答案——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，特别是对于基于 RAG 的系统？

虽然这也是我们在市场互动中发现的，但也越来越被公认，“AI 就绪数据”（或缺乏）是 AI 部署失败的最大原因。

• 哈佛商业评论调查显示，91% 的高管认为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今天的模型中。
• 《华尔街日报》将可靠性列为 AI 代理采用的首要关注点——这与数据质量和可访问性密切相关。
• 高德纳公司确定缺乏 GenAI 就绪数据是部署失败的主要原因。

AI 就绪数据不仅仅是将您的文档向量化——它是关于统一您的孤立源，处理复杂格式（如多模态输入），清洁您的数据，增强您的数据，将其转化为 LLM 可以处理的格式，分块到合适的粒度级别以保持最佳准确性并降低成本，智能索引，并连接到高性能检索系统等。

这些是需要专用能力和工具的大挑战。在 Pryon 运行的针对在大型企业内部开发解决方案的 RAG 构建者调查中，数据准备被列为最昂贵、最耗时和技术上最具挑战性的构建部分，其次是信息检索。

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

特定区别因玩家而异，但在高层次上，大的科技玩家专注于成为工作中的 AI 接口。Pryon 专注于更基本的知识层。Pryon 解决了数据准备和检索的深层次问题，而大的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现实复杂性时会出现问题。Pryon 也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 如何处理合规和道德 AI 使用？

随着全球 AI 法规的演变，Pryon 致力于合规和负责任的 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。通过在我们的部署方法中整合严格的评估、可追溯性和持续监控，我们优先考虑安全、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。