Inna Tokarev Sela，illumex 的 CEO 和创始人 – 采访系列

Inna Tokarev Sela，illumex 的 CEO 和创始人，是一位正在改变企业如何为生成式 AI 准备结构化数据的企业家。illumex 能够让组织通过将分散、晦涩的数据转化为有意义、有上下文的商业语言来部署生成式 AI 分析代理，并且具有内置的治理。

该平台可以自动分析元数据来定位和标记结构化数据，而不需要移动或修改它，并添加语义意义和对齐定义以确保清晰和透明。通过创建商业术语、建议指标和识别潜在冲突，illumex 确保数据治理达到最高标准。

有了 illumex，分析代理可以以精确的方式解释用户查询，提供准确、有上下文和无幻觉的响应。在 Inna 的领导下，illumex 正在为 AI 准备性设定新的基准，帮助企业解锁其数据的全部潜力。

是什么启发你创立了 illumex，你在 Sisense 和 SAP 的经历如何塑造了你对公司的愿景？

对 illumex 的愿景是在我的学习期间形成的，当时我想象信息可以通过类似思维导图的关联来访问，而不是传统的数据库 – 这样可以在不需要大量人工咨询的情况下直接访问相关数据。

我在 SAP 的时间教会了我如何构建企业软件和扩展运营。跨产品开发和 SAP HANA 云平台以及业务计划如启动合作框架给我带来了对企业客户需求的深刻见解。它揭示了企业在数据实践和最终用户实际需求之间存在着巨大的差距。

在 Sisense，我从零开始建立了 AI 实践，这展示了 AI 可以为客户带来的巨大价值。看到这种影响，加上 SaaS 和生成式 AI 技术的兴起，促使我在 2021 年推出了 illumex。

illumex 专注于生成语义织物。可以解释一下核心概念以及是什么激发了你解决 AI 和数据分析中的这个特定挑战？

illumex 开创了生成语义织物 – 一个可以自动创建人类和机器可读的组织背景和推理的平台。该平台统一了基于大语言模型的生成式 AI 和商业应用的体验，适用于技术和非技术用户的共享背景。

这个单一的织物带来了两个主要的好处：它通过自动化高达 80% 的数据工程任务来简化数据管理，并使非技术用户能够访问具有内置治理、可解释性和准确性的分析。这些好处都解决了企业决策的多亿美元市场。

可以把它想象成一个数字游乐场，在那里机器、人类和应用程序可以在没有预编程的情况下自发地交互。这符合我们对应用程序无关未来的愿景，在那里，你不需要同时处理多个工具，如表格、分析、财务系统和客户管理，而是简单地表达你的任务，它就会被无缝地完成。生成语义织物是这一未来的基础。

你在 illumex 早期面临的一些关键挑战是什么，你如何克服它们？

2021 年，尽管生成式 AI 语义模型自 2017 年以来就已经存在，图神经网络存在的时间更长，但向风险投资者解释为什么我们需要自动化背景和推理仍然是一项艰巨的任务。即使定义它当时也是一个艰难的任务。

我认为最大的挑战是激发人们对这项未来技术和未来市场的兴奋。我非常幸运地遇到了具有前瞻性思维的投资者，他们相信我。

illumex 如何使组织能够成为 AI 准备就绪，并且为什么这种转变在今天的商业格局中至关重要？

商业世界正在分裂成两个阵营：一方面是那些认识并利用 AI 作为变革力量的公司（类似于互联网），另一方面是那些错过或延迟理解这一机会的公司。

illumex 遇到组织在其 AI 之旅中的任何地方。我们为生成式 AI 实施准备他们的数据，增强和治理组织逻辑和背景，并使分析代理和编排的部署成为可能。

我们的全栈生成式 AI 实现平台用于结构化数据，提升任何公司的格局，以有效地利用这些先进的技术。

illumex 强调“无幻觉”的生成式 AI 响应。illumex 如何确保确定性和可靠的输出？

illumex 建立在现有的商业本体论基础上 – 捕获行业特定术语、工作流程和流程的知识图谱，以及像制药、零售和制造等行业的商业功能，如财务、人力资源和供应链。

在客户登机过程中，我们会自动在他们的元数据上重新训练这些本体论。几天之内，公司就可以搜索他们的数据，验证结果，并识别问题，如重复或冲突。

代理分析聊天机器人提供了完整的透明度 – 显示问题如何被解释和映射到客户本体论，然后到数据。这一透明度，加上自动数据验证，确保了确定性、无幻觉的答案。另外，治理团队可以预先验证潜在的响应，因为背景包含所有可能的问题及其变体。

illumex 与传统方法如检索增强生成（RAG）有什么不同？

虽然 RAG 试图通过向通用 AI 模型提供组织数据和逻辑来定制它们，但它面临着几个局限性。它是一个黑盒 – 你无法确定是否提供了足够的示例来实现适当的定制，或者模型更新如何影响准确性。它还依赖于可能缺乏商业背景的数据科学家，使得完全捕捉组织逻辑变得困难。

此外，RAG 消耗了大约 80% 的 AI 基础设施和令牌，只用于微调，而不是实际使用，这引发了 ROI 的担忧。它还缺乏内置的治理 – 没有办法让合规团队验证训练的充分性或确保适当的访问控制。

illumex 的生成语义织物（GSF）通过自动化上下文构建解决了这些挑战，而无需消耗外部 AI 令牌。它消除了对专业数据科学家的需求，并通过 Web、Slack 或 Teams 接口提供了对映射和推理的完整透明度。GSF 包括内置的治理和可解释性、组织覆盖范围和数据质量的明确指标以及问题回答能力的自动质量评估。

许多企业尽管在数据基础设施上投入了大量资金，但仍然难以做出数据驱动的决策。你认为这种差距存在的原因是什么，illumex 又如何解决它？

数据投资和有效决策之间的差距继续扩大，因为数据量正在内部和外部爆发。组织现在面临着不仅仅是他们自己的数据，还有外部来源的数据 – 从天气 API 到行业云平台在欧洲机构之间共享医疗保健数据，以及用于各种用例的合成数据。

挑战在于，组织仍然依赖人类来执行关键的数据任务，例如建模、质量评估和仪表板创建。然而，现代数据环境的规模和复杂性使得人类团队难以有效地对数据进行分类、评估其质量并确保其适合 AI 驱动的分析和自动化。

illumex 通过自动化这些传统上手动的过程来弥合这一差距，使组织能够有效地管理、验证和利用其不断扩大的数据景观以做出有意义的商业决策。

哪些行业最快地采用了 illumex 的平台，你在这些行业中观察到了哪些独特的挑战或机会？

我们看到最快的采用是在数据强度和重监管的交汇处的行业中，公司需要强大的数据质量监控、使用跟踪和冲突检测的自动化。金融服务、制药和零售/电子商务是领先的行业，因为这些行业旨在使用其现有的数据资产快速重塑自己，同时应对复杂的监管要求。

随着生成式 AI 的快速发展，你会给希望有效和负责任地集成 AI 的企业什么建议？

首先，制定一个明确的战略计划，确定特定的用例和驱动 AI 采用的业务迫切需求。避免创建新的 AI 技术孤岛，它们独立于现有的系统运行。

相反，建立一个统一的平台，集成了数据管理、分析和生成式 AI 的功能。将 AI 计划与既定的治理实践隔离不仅会带来重大风险，还会增加成本。关键是创建一个支持所有这些功能的共享基础设施，同时保持适当的监督。

在 AI 采用加速的背景下，未来 3-5 年内，你预见哪些趋势将塑造企业 AI 景观？

两个主要趋势正在出现。首先，代理分析正在获得动力，实现更复杂的数据分析和洞察。其次，我们看到代理编排的转变，使得多个具有不同功能的 AI 模型之间的工作流协作成为可能。

这种编排使我们超越了单一用途的应用程序，转向更全面的解决方案。例如，在医疗保健领域，除了特定任务的单独应用程序外，考虑整个医生办公室工作流的自动化 – 将图像扫描、处方处理和药物推荐结合在一个无缝的系统中。

这些进步依赖于强大的生成语义织物来确保准确的数据访问、共享的上下文和 AI 代理之间的协调。这种基础将是使代理分析和编排的 AI 解决方案达到其全部潜力的关键。

感谢这次精彩的采访，希望了解更多的读者可以访问 Illumex。