AI 模型与平台
Collate宣布推出Ontology Studio,为AI智能体提供业务语境

要点Ontology Studio 将业务概念映射到数据资产,使智能体不再猜测列的含义。
查看更多
- Ontology Studio 将业务概念映射到数据资产,使智能体不再猜测列的含义。
- 这些知识图谱工具运行在一个默认禁用的测试版投影上。
- 以开放格式导出的本体在企业更换 AI 供应商后仍是可复用的资产。
Collate是OpenMetadata背后的公司,该公司已宣布推出Ontology Studio。这是一个工作空间,供用户定义业务概念、将其与企业数据关联起来,并让AI智能体能够获取这些含义。此举旨在帮助智能体依据组织自身的定义和关系开展工作,而不是猜测表名或列名的含义。
Ontology Studio于11月17日宣布推出,是Collate 2.1的一部分,计划于本月晚些时候正式开放使用。它采用开放标准,让企业能够检查并导出所构建的业务模型,包括模型与其所对应数据资产之间的映射。
此次发布旨在解决一个仅靠更出色的语言模型无法解决的问题:系统可能找到数据集并据此编写有效代码,却仍然误解业务所认定的活跃客户、确认收入金额或某种特定类型的贷款。
本体如何为AI智能体提供更多信息
本体以软件可用的形式描述概念及其关系。词汇表或许会用一段文字定义“贷款”,而本体还可以进一步说明贷款具有本金和期限、归属于某位客户,并通过一个有名称的关系与某个账户相连。
这些细节为智能体处理问题提供了结构化路径。设想有个智能体接到分析贷款业务的任务:在查询数据库之前,它需要识别哪些资产代表贷款、客户与这些贷款有何关系,以及适用哪些定义。与这些资产建立映射的本体可以提供相应的语境。
Ontology Studio支持团队通过带类型的属性和有名称、有方向的关系来定义概念,随后审核并发布带有版本号的模型。概念可以关联到表、列、仪表板及其他数据资产。
这也将业务含义与技术血缘区分开来。血缘描述数据如何在系统之间流动或转换;业务关系则描述数据代表什么,例如某笔贷款属于某位客户。两者对智能体都很有用,但回答的是不同问题。
模型背后的开放标准
Ontology Studio基于成熟的语义网技术构建,而不是要求企业完全采用专有格式来表达业务。
- OWL,即Web本体语言,提供了一种形式化方式来表示类、属性和关系,让软件能够依据明确的含义开展工作。
- SKOS,即简单知识组织系统,用于表示受控词汇表,以及“更广义”“更狭义”和“相关”等概念之间的关系。
- SPARQL是一种用于RDF图的查询语言,使软件能够针对相互关联的概念和元数据提出结构化问题。
Collate表示,组织可以使用OWL、Turtle、RDF/XML和JSON-LD等格式导入和导出本体,同时保留标识符、定义和关系。该公司还特别强调,导出模型时会保留数据映射。
当企业更换AI供应商或数据平台时,这一点就很重要。以可交换的格式保存业务模型,可使其成为可重复利用的资产,而不是让定义只嵌在某一家供应商的界面中。要让模型在迁移后仍然有用,兼容工具还必须支持相关标准和映射。
智能体如何访问知识图谱
智能体通过Collate的模型上下文协议(MCP)服务器访问本体。MCP提供通用接口,AI应用可借此发现并调用工具。在这里,这些工具让智能体能够描述本体、探索某个实体周围的关系,并执行只读SPARQL查询。
知识图谱将概念和元数据组织成相互关联的实体。图查询可以一次获取多个相关关系,帮助智能体收集语境,而不必反复逐一请求每个相邻项。生成的查询和关系路径也能为审查者提供具体依据,以便核查答案背后的信息。
公告明确了这项功能的一项重要限制:这些工具运行在Collate的知识图谱投影上,该功能目前处于测试阶段,且默认关闭。团队需要启用并评估这一组件,才能使用基于图谱的智能体工具。
产品页面解释说,这种投影是平台元数据的图谱副本,并非对底层业务数据库的替代。针对运营数据的查询仍会在数据所在之处执行,例如数据仓库或现有语义层。本体有助于确定应使用哪些定义和资产。
基于OpenMetadata及现有业务知识构建
Collate基于OpenMetadata构建。OpenMetadata是一个开源平台,汇集架构、所有权、分类、质量信息和血缘等元数据。Ontology Studio则为与这些资产相关联的业务含义增设了一个编辑工作空间。
Collate 的 2.1 版本发布概览区分了托管产品与其开源基础:Ontology Studio 是 Collate 的一项功能,而通过 MCP 提供的知识图谱工具则同时列于 Collate 和 OpenMetadata 名下。评估这项公告的组织应区分商业工作空间与其底层的开放标准和共享平台组件。
行业入门套件为用户提供了另一种使用该系统的途径。公告列出了基于以下标准的模型:用于金融领域的 FIBO、用于医疗保健领域的 HL7 FHIR、用于供应链的 GS1 和 EPCIS、用于制造业的 ISA-95,以及 HR Open Standards。这些模型提供了起始架构,团队可以在此基础上扩展,并将其映射到自己的数据。
Collate 以 Scout24 为例,展示其更广泛的上下文平台方案。ImmoScout24 背后的公司运用共享的数据定义、人工智能辅助文档编制和人工核验,为内部人工智能代理提供支持。这种做法凸显了领域专家持续发挥作用的重要性:他们能让业务上下文保持实用。
共享定义仍需有人负责
“元数据、含义和记忆应当归于同一个上下文平台,”Collate 联合创始人兼首席技术官 Sriharsha Chintalapani 表示。他说,目标是让代理和员工依据相同的业务定义开展工作。
本体可以明确这些定义,并使其更易于复用,但其价值取决于模型的质量及其与当前数据的关联。错误的映射或过时的规则,可能会让代理为错误答案给出结构化的解释。
对于企业而言,Ontology Studio 提供了一种更易管理的方式来构建和维护这种共享上下文:对业务进行建模,将模型关联到真实资产,通过标准工具提供模型,并保留将其迁移到其他环境的能力。












