伊娜·托卡列夫·塞拉（Inna Tokarev Sela），Illumex 的 CEO 和创始人 – 采访系列

伊娜·托卡列夫·塞拉（Inna Tokarev Sela）是Illumex的CEO和创始人，她正在改变企业准备结构化数据以适应生成式人工智能的方式。Illumex使组织能够通过将分散、神秘的数据转换为具有内置治理的有意义、上下文丰富的商业语言来部署生成式人工智能分析代理。

该平台自动分析元数据以定位和标记结构化数据，而无需移动或修改它，从而添加语义含义并确保定义的一致性，以确保清晰度和透明度。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，分析代理可以以精度解释用户查询，提供准确、上下文感知和无幻觉的响应。在伊娜的领导下，Illumex正在为人工智能就绪性设定新的基准，帮助企业解锁其数据的全部潜力。

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

对Illumex的愿景是在我学习期间产生的，当时我想象信息可以通过类似于思维导图的关联来访问，而不是传统的数据库，从而可以直接访问相关数据，而无需广泛的人类咨询。

我在SAP的时间教会了我如何构建企业软件和扩大运营。跨产品开发与SAP HANA云平台和商业计划，如启动合作伙伴框架，给我带来了对企业客户需求的深刻见解。它揭示了公司对数据实践的方法和最终用户实际需要之间存在着巨大的差距。

在Sisense，我从零开始建立了人工智能实践，这表明人工智能可以为客户带来巨大的价值。看到这种影响，加上SaaS和生成式人工智能技术的兴起，促使我在2021年推出了Illumex。

Illumex专注于生成式语义织物。可以解释一下核心概念以及是什么激发了你解决人工智能和数据分析中的这一特定挑战？

Illumex开创了生成式语义织物——一种自动创建人类和机器可读的组织上下文和推理的平台。该平台统一了基于LLM的生成式人工智能和商业应用的体验，适用于技术和非技术用户，共享上下文。

这种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。两种好处都解决了企业决策的多亿美元市场。

可以把它看作是一个数字游乐场，机器、人类和应用程序可以在没有预编程的情况下自发地相互作用。这符合我们对应用程序免费未来的愿景，在那里，你不再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。生成式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，你是如何克服它们的？

2021年，尽管生成式人工智能语义模型自2017年以来就已经存在，图神经网络的历史更长，但向风险投资者解释为什么我们需要自动化上下文和推理仍是一项艰巨的任务。即使定义它当时也是一个艰难的任务。

我会说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。幸运的是，我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人工智能就绪的，并且为什么这种转变在当今的商业格局中至关重要？

商业世界正在分裂为两种营：一类是认识到并利用人工智能作为变革力量（类似于互联网）的公司，另一类是错过或延迟理解这一机会的公司。

Illumex满足组织在其人工智能旅程中的任何阶段。我们准备他们的数据以适应生成式人工智能的实施，增强和治理组织逻辑和上下文，并使分析代理和编排的部署成为可能。

我们的全栈生成式人工智能实施平台适用于结构化数据，能够将任何公司的景观提升到有效利用这些先进技术的水平。

Illumex强调“无幻觉”的生成式人工智能响应。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——知识图谱，捕捉行业特定术语、工作流程和流程，跨行业如制药、零售和制造，以及商业功能如财务、人力资源和供应链。

在客户入职期间，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，如重复项或冲突。

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，然后映射到数据。这种透明度，加上自动数据验证，确保了确定性、无幻觉的答案。此外，治理团队可以预先验证潜在的响应，因为上下文提前嵌入了所有可能的问题和其变体。

Illumex如何区别于传统方法，如检索增强生成（RAG）？

虽然RAG尝试通过向其提供组织数据和逻辑来定制通用人工智能模型，但它面临着几个局限性。它是一个黑盒——您无法确定是否为定制提供了足够的示例，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，使其难以完全捕捉组织逻辑。

此外，RAG消耗了大约80%的人工智能基础设施和令牌，只用于微调，而不是实际使用，这引发了投资回报率问题。它还缺乏内置的治理——没有办法让合规团队验证培训的充分性或确保适当的访问控制。

Illumex的生成式语义织物（GSF）通过自动化上下文构建来解决这些挑战，而无需消耗外部人工智能令牌。它消除了对专门的数据科学家的需求，并通过Web、Slack或Teams界面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、明确的组织覆盖范围和数据质量指标，以及自动质量评估用于问题回答能力。

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如何解决这个问题？

数据投资与有效决策之间的差距正在扩大，因为数据量正在爆炸性增长，无论是内部还是外部。组织现在面临着不仅仅是他们自己的日益增长的数据，还有来自天气API、行业云平台共享医疗保健数据的欧洲机构，以及用于各种用例的合成数据的阵容。

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越来越难以有效地对数据进行分类、评估其质量并确保其适合人工智能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什么独特的挑战或机遇？

我们看到最快的采用是在数据密集型和重度监管的行业交叉点的公司，它们需要对数据质量监控、使用跟踪和冲突检测进行强大的自动化。金融服务、制药和零售/电子商务正在带头，因为这些行业旨在使用其现有数据资产快速重塑自己，同时应对复杂的监管要求。

随着生成式人工智能的快速发展，你会给希望有效和负责任地整合人工智能的企业什么建议？

首先，制定一个明确的战略计划，确定特定的用例和驱动人工智能采用的业务迫切需求。避免创建新的人工智能技术的孤岛，这些孤岛与现有系统分离地运行。

相反，建立一个统一的平台，将数据管理、分析和生成式人工智能功能集成在一起。将人工智能计划与既定的治理实践分开不仅会带来重大风险，还会导致成本增加。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。

在人工智能采用加速的背景下，你预见未来3-5年企业人工智能格局将受到哪些趋势的影响？

两个主要趋势在人工智能格局中出现。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，使得具有多样化功能的多个人工智能模型之间的工作流成为可能。

这种编排使我们超越了单一用途的应用程序，朝着更全面的解决方案发展。例如，在医疗保健领域，不要想象特定任务的孤立应用程序，而是思考整个医生办公室工作流程的自动化——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式语义织物，以确保人工智能代理之间的准确数据访问、共享上下文和协调。这种基础对于实现代理分析和编排人工智能解决方案的全部潜力至关重要。

感谢您接受这次精彩的采访，希望了解更多的读者可以访问Illumex。