科格奈特首席产品官吉尔·科恩 – 采访系列

吉尔·科恩 是一位经验丰富的软件高管，拥有二十多年的企业软件、大数据、电信和人工智能经验，曾领导过多个全球性组织。

吉尔领导科格奈特的产品组织、全球研发中心和全产品线的市场策略。

在2021年加入科格奈特之前，吉尔曾是NICE的总经理和Telefonica Israel的首席执行官。

科格奈特 是一家总部位于以色列的全球性调查和安全分析软件提供商，旨在为用户提供“可行的智能，创造更安全的世界”。作为2021年从Verint Systems分拆出来的公司，科格奈特为全球100多个国家的数百家政府和企业客户提供服务，帮助安全、情报和执法机构整合、分析和可视化大规模、零散的数据，以便及时发现威胁、调查和应对。

是什么最初激发了您从事情报、分析和国家安全的职业道路？是否有早期的经历或塑造性事件帮助您确定了这一方向？

这是一个非常自然的选择。科格奈特的使命——帮助使世界变得更安全——与我的个人和职业价值观完美吻合。我在企业软件、大数据、电信和人工智能领域工作了多年，并且有军事背景，所以我选择了一份工作，可以让我直接为这一使命做出贡献。这是非常有意义的。

多年来，我领导全球性组织和研发团队，开发和实施了最先进的企业解决方案和市场策略，这使我能够确保科格奈特在技术上保持领先地位。看到执法、国家安全和军事情报机构如何使用我们的分析解决方案发现威胁、保护人民，是非常有意义的。真正让我保持动力的，是知道我们正在开发能够帮助这些机构保持领先地位、适应新挑战的工具。看到我们的技术在实际应用中产生的影响，是我真正感到自豪的。

多年来，调查技术的格局如何演变，科格奈特的使命如何适应不断变化的执法和情报机构的需求？

调查技术的格局已经经历了显著的演变，主要是由数据量和多样性的迅速增长、对手的日益复杂以及技术的不断演进所驱动的。环境中的一个核心挑战是，坏人和那些试图阻止他们的人之间存在着固有的不平衡。坏人（无论是罪犯还是恐怖分子）可以灵活和持久地行动，能够利用单一的弱点并造成毁灭性的影响。另一方面，执法和安全组织必须识别、理解和应对广泛的不断演变的威胁，通常需要在实时和绝对精确的条件下做出反应。这一不对称性给调查团队带来了巨大的压力，要求他们比以往任何时候都更快、更聪明、更准确地行动。分析师经常面临着日益增长的数据量、零散的工具和紧迫的操作需求，使得他们难以将调查见解转化为有效的互动和先进的解决方案。

为了应对这一挑战，科格奈特不断适应和进化，以实现我们的使命——帮助客户揭示见解和消除未知，通过可行的智能。我们利用人工智能技术，开发了突破性的技术，能够融合、分析和可视化复杂的数据，实现更快、更准确的决策和行动。情报协同平台就是这样一个例子，它被设计用来帮助调查人员和分析师更好地合作，通过自然语言交互和可解释的输出，简化调查工作流程，提高决策速度和准确性。

情报协同平台的推出，标志着调查工作流程中引入了一种新的、基于生成式人工智能的能力。这种能力与当前安全领域中使用的其他人工智能工具有什么根本区别？

科格奈特的情报协同平台 是一个专门为实际调查而设计的解决方案，而不是通用任务。与典型的生成式人工智能解决方案不同，它直接集成到调查工作空间和流程中，理解分析师使用的术语，并提供透明、可解释的结果。它被设计为能够分析敏感和机密的数据源，能够在任何部署环境中安全运行，并且能够加速（而不是取代）人类的专业知识。这使得调查人员和分析师能够充分利用人机协作的优势，使用一个专门为高风险环境中的安全和情报机构设计的解决方案。

许多调查人员面临着实际调查经验和传统平台的技术需求之间的脱节。情报协同平台如何解决这一挑战，并弥合人类推理和机器输出之间的差距？

调查人员和分析师接受过调查和情报分析的训练，而不是复杂查询或系统语法的训练。科格奈特的情报协同平台考虑到了这一点，允许用户使用自己的语言工作。它接受自然语言输入，并将其转化为结构化、可解释的逻辑，消除了对技术查询或深入系统专业知识的需求。通过与调查人员实际工作方式保持一致，协同平台消除了摩擦，加速了见解的生成，并使分析师能够专注于他们最擅长的工作：跟进线索、检查证据和分析威胁。

调查环境通常涉及大量数据和高度零散的工具生态系统。情报协同平台如何增强数据综合、加速分析和改善威胁解决的整体速度？

科格奈特的情报协同平台通过消除手动瓶颈（由孤立的工具和大量数据引起）来改变调查工作流程。与其要求调查人员将复杂的问题转化为特定于系统的查询，协同平台允许他们使用直观的自然语言来探索多样化的多源数据。它自动综合结构化和非结构化数据，揭示相关联系，并以清晰、分步骤的逻辑呈现结果。例如，调查人员可以简单地要求协同平台“显示过去6个月内嫌疑人A和嫌疑人B之间的所有联系”。协同平台将在多个数据源和格式中执行繁重的工作，例如闭路电视、财务记录和手写报告。它将快速整理、过滤和分类大量数据集，以揭示见解和可视化直接和间接的嫌疑人联系，消除了调查人员手动筛选原始数据的需要。通过在单个生成式人工智能驱动的助手中统一搜索、关联和见解生成，协同平台加速了决策、提高了精度并显著减少了对威胁做出反应所需的时间。

安全性、可解释性和透明度对于任务驱动的运营至关重要。为了确保情报协同平台满足情报组织的严格要求，哪些安全保障和架构原则被优先考虑？

在设计情报协同平台时，安全性、可解释性和透明度是首要考虑的问题。安全性是从架构层面构建的：协同平台支持云端和本地部署，以满足严格的数据敏感性、隐私和主权要求。它继承了主机系统的本机用户权限模型，确保它不会暴露用户通常通过标准工作流程无法访问的数据。对于可解释性和透明度，协同平台提供了对其端到端推理的清晰视图，包括确切的逻辑、条件和幕后步骤，以生成结果。用户可以使用自己的判断审查、验证甚至挑战系统的解释。所有推理都是完全可审计的，允许在高风险环境中进行跟踪和问责。

该平台提供了对自然语言查询的可视逻辑流和透明推理。这些功能如何影响调查人员在高压力情况下做出决定，特别是在高风险或时间敏感的案件中？

科格奈特的情报协同平台通过将自然语言输入与基于成熟领域专业知识的分步骤可视逻辑流相结合，增强了调查决策。结果在情报分析工作空间中可视化，以便进一步探索。这些可视化显示了数据点如何连接以及如何生成见解，使系统的推理完全透明。在高压环境中，这使调查人员能够快速验证相关性并在不仅仅依赖黑盒输出的情况下从问题转向信心。结果是更快、更智能的决策，建立在可解释的人工智能之上，与实际调查工作流程完全一致。

什么类型的机器学习模型构成了情报协同平台的生成能力的基础，它们如何被训练以反映特定于情报工作流程的语言和逻辑，而不是通用对话式人工智能？

我们的协同平台的基础模型是业界最新、最先进的LLM模型。我们使用代表系统数据结构（包括实体、关系和参数）的专有数据模型来微调LLM，以适应每个客户的域和术语。这使我们能够在客户域的“数字孪生”上训练协同平台，而不是在实际数据上（这些数据是敏感的，不可用于训练）。我们还包括来自内部、行业特定方法论、客户成功团队和客户冠军社区的最佳实践用户流程。使用这种方法，我们创建了一个可扩展的方法，将通用LLM转化为针对安全需求的域模型。

可解释性和结构化推理在系统输出中被强调。为了确保透明和可追溯的决策，哪些机器学习技术或模型架构被用于训练协同平台？

协同平台经过训练，以便在数据模型上进行微调，并针对情报和调查的最佳实践进行调整，反映出一种超越通用对话式人工智能的训练方法。这种专业化的训练建立在三十多年的调查分析领域专业知识之上。这种对实际运营知识的深入整合，确保协同平台固有地理解和处理特定于情报工作流程的术语、逻辑和细微差别。它接受用户的自然语言问题，并理解如何在科格奈特解决方案中将其转化为API调用，查询请求的数据。查询在所有时间点都可供分析师使用，因此可以透明地看到哪个查询被发送。然后从解决方案的数据库中返回数据，消除了任何“幻觉”的可能性，提供结构化、可解释的逻辑。无需单独的跟踪来验证总结和见解是否有意义。

随着人工智能从试点项目转向大规模部署，这一产品的推出反映了2025年国家安全组织人工智能采用的更广泛趋势。人工智能在国家安全领域的采用将如何演变？

该产品的推出恰逢企业和政府对人工智能采用的加速，未来三年预计在该领域投资超过2万亿美元。2025年标志着一个清晰的转折点，因为组织从实验转向实际部署。机构看到利用LLM驱动的协同平台的潜在价值，在最近的一项科格奈特调查中，47% 的机构将生成式人工智能驱动的数据分析和探索列为可以加速调查的顶级技术能力。对于执法和国家安全机构来说，这一转变正在为决策设定新的标准，速度、规模和精度都有所提高。随着生命和国家利益岌岌可危，值得信赖的、可操作的人工智能不再是一个选择，而是一个使命关键的必备条件，这也是科格奈特情报协同平台旨在满足的需求。

展望未来五年，生成式人工智能在军事情报、执法和国家安全领域的作用将如何演变？这将如何影响调查策略、组织结构和全球威胁应对？

在未来几年中，生成式人工智能将在帮助弥合进攻和防御之间的运营差距方面发挥至关重要的作用。坏人将继续快速创新，通常不受规则或风险的约束。相比之下，公共安全组织需要在不断扩大的威胁范围内保持一致、适应性和全面的覆盖。这种不对称性将给调查团队带来巨大的压力，要求他们比以往任何时候都更快、更聪明、更准确地行动。在这种环境中，人工智能不仅将成为一种力量倍增器，也将成为保持与日益快速、不可预测和日益自动化的对手同步的运营必要条件。感谢您接受这次精彩的采访，希望读者能够通过访问 科格奈特 的网站来了解更多信息。