企业官网建设流程全解析

核心前提

每个决策由三个基本要素构成：

• 数据（Data）—— 用于决策的信息

• 逻辑（Logic）—— 评估决策的过程

• 行动（Action）—— 决策的执行

Ontology将这三大要素整合为一个可扩展、动态、协作的基础平台，反映组织实时变化的条件和抱负。

数据维度

• 核心问题不是数据量或数据质量，而是相关性

• 相关数据包括：企业各类数据源（结构化、流式、非结构化、图像等）+决策数据（用户决策时生成的上下文）

• 决策数据包含：决策上下文、评估过的选项、选择的下游影响

• Ontology将所有数据整合为全保真语义表示——对象、属性和链接实时演进

• 端到端决策谱系被自动捕获，供人类和生成式AI访问

逻辑维度

• 逻辑资产包括：业务逻辑（CRM/ERP中）、建模逻辑（ML模型中）、规划/优化/模拟算法

• 这些逻辑资产通常分散在不同环境中（本地、云、SaaS）

• Ontology的"逻辑绑定"范式提供一致接口，整合异构逻辑资产

• AI驱动的推理可以像人类一样利用所有这些逻辑工具

行动维度

• 行动闭环是运营系统与分析系统的分水岭

• 数据=名词，行动=动词，通过逻辑组合成"完整句子"

• Ontology原生建模行动，支持：

  • 安全捕获同时发生且可能冲突的决策

  • 区分探索者、分阶段者、提交者的协作模型

  • 同步到各类运营系统（交易系统、边缘设备、自定义应用）

• 行动与数据、逻辑共享相同的细粒度安全控制

虚构案例：Titan Industries

背景：医疗设备制造商，面临关键原材料供应商中断，外科口罩生产受威胁。

Ontology的应用流程：

1. 数据整合：供应商管理、仓库运营、生产活动、配送中心、客户履行的数据综合为语义对象和链接，提供端到端实时可见性

2. 安全控制：敏感数据（如财务指标）默认自动隐藏

3. AI副驾驶（Disruption Bot）：利用开源和专有LLM，遍历ontology中的供应商信息、库存、生产指标、货运清单、客户反馈

4. 模拟与场景：运行多种物料替代方案的模拟，输出作为"场景"在沙箱中安全分阶段

5. AI驱动的新方案：Disruption Bot发现分析师未考虑的新模型，提出新颖的重新分配方案

6. 人机协作：AI方案移交人类分析师最终审查

7. 行动执行：自动编排回写例程——WMS通过API更新，三个ERP通过原生连接器更新，生产计划系统摄入整合文件

8. 学习与优化：每个决策的数据、逻辑、行动都被捕获为决策谱系，作为训练数据微调模型，提炼为提示原则

Ontology的核心价值总结

• 以决策为中心（而非以数据为中心）

• 将数据、逻辑、行动统一于单一软件系统中

• 新数据可快速集成；新算法可无缝呈现；行动通过实时连接与运营系统同步

• 每个组织的ontology是跨团队决策的实时脉搏，确保AI始终锚定于企业现实

后续预告

文章提及后续将深入探讨：

• Ontology底层的决策中心架构

• 原生模拟和场景构建能力

• Ontology SDK提供的可扩展性

• 将生成式AI模型连接到安全数据/逻辑/行动子集的多种方式

• 在全企业范围扩展人机协作的方法

实际案例提及

• J.D. Power—— 将AI引入汽车行业

• HCA Healthcare—— AI驱动的医院运营

• Jacobs—— 为工程师构建AI副驾驶

这里是自己的论文阅读记录，感兴趣的话可以参考一下，如果需要阅读原文的话可以看这里，如下所示：

Palantir Ontology

Palantir的软件为全球最关键的商业和政府场景提供实时、AI驱动的决策支持。从公共卫生到电池生产，我们的客户依赖Palantir AIP在其企业中安全、可靠、有效地利用AI——并推动运营成果。

虽然实现和扩展运营影响力涉及诸多因素——包括我们的AIP Bootcamps，客户在数小时内就能亲自动手使用AI取得成果——但关键的区别在于以Palantir Ontology为核心的软件架构。

Ontology的设计目标是表征企业中的决策，而不仅仅是数据。世界上每个组织的首要使命都是执行尽可能最佳的决策，往往是在实时条件下，同时应对不断变化的内部和外部环境。传统数据架构不捕捉决策背后的推理过程或由此产生的行动，因此限制了学习和AI的融入。传统的分析架构不能将计算置于现实语境中，因此与运营脱节。要在当今世界中导航并取胜，现代企业需要一种以决策为中心的软件架构。

要理解Ontology的价值，让我们从任何决策的三个要素开始：

• 数据（Data）——用于做出决策的信息

• 逻辑（Logic）——评估决策的过程

• 行动（Action）——决策的执行

在基础层面上，每个决策都由数据（用于做出决策的信息）、逻辑（评估决策的过程）和行动（决策的执行）构成。

Ontology将决策制定的这三个组成要素整合到一个可扩展、动态、协作的基础中，反映组织不断变化的条件和抱负，并随它们实时演进。

数据

当今的组织被前所未有的数据量所淹没。数据源的数量、种类和速度不仅在增加，而且随时间加速增长。虽然关于数据清洗和统一的价值已有大量论述，但在AI时代，核心问题是相关性。相关数据当然包括各类企业数据源——结构化数据、流式和边缘数据源、非结构化仓库、图像数据等——但它还包括终端用户在决策过程中生成的数据。这种"决策数据"包含特定决策的上下文、评估过的不同选项，以及所选择方案的下游影响。生成式AI提供了突破性的能力，能够从全量决策数据中综合学习，持续丰富人工和AI驱动的工作流。自然地，将全范围企业数据与流动的决策数据格局相集成，需要一种与为报表和分析优化的经典数据库管理解决方案截然不同的架构。

Ontology将所有模态的数据整合到一个全规模、全保真的企业语义表示中。各类运营数据源（ERP、MES、WMS等）可以与来自IoT和边缘系统的数据流、非结构化数据仓库的相关部分、地理空间数据存储等同步并上下文化。Ontology统一并激活这些碎片化的数据池，以企业的语言呈现它们。企业不再需要处理将运营丰富性扁平化为狭窄模式的黄金表，而是以对象、属性和链接的形式生动呈现，这些元素实时演进，并被设计为直接嵌入决策工作流中。关键的是，Ontology被设计为安全捕获运营用户在日常工作中（如在供应链、医院系统、客户服务中心内）产生的决策数据。端到端的"决策谱系"——决策何时做出、基于哪个版本的企业数据、通过哪个应用——被自动捕获，并可安全地供人类开发者和生成式AI访问。这为大规模AI驱动的学习提供了所需的全面的基础。

Ontology将所有模态的数据整合到一个全规模、全保真的语义表示中，捕捉企业不断演进的现实，并作为强大AI驱动工作流的基础。

逻辑

虽然数据是基础，但它只是决策过程的一个维度；它必须辅以推理或逻辑，即决定何时以及如何做出特定决策的要素。支撑决策的逻辑可以是一个核心业务系统中的简单业务逻辑，一个使用云数据科学工作台维护的预测模型，一个使用多个数据源生成运营计划的优化模型——可能性无穷无尽。在现实场景中，人类推理往往起着编排作用，决定在特定工作流的哪些节点使用哪些逻辑资产，以及如何在更复杂的流程中将其串联起来。随着生成式AI的出现，现在至关重要的是，AI驱动的推理能够像人类历史上所做的那样利用所有这些逻辑资产。确定性函数、算法和传统统计过程必须作为"工具"呈现，以补充大语言模型和多模态模型的非确定性推理。

Ontology使全套逻辑资产——决定决策如何制定的计算和过程——能够为人类和AI用户连接并上下文化。这包括通常位于CRM和ERP中与客户交互相关的业务逻辑；驱动传统机器学习、分散在数据科学环境中的建模逻辑；以及通常与领域特定工具交织在一起的规划、优化和模拟算法。Ontology灵活的"逻辑绑定"范式提供了一个一致的接口，用于构建无缝整合和组合异构逻辑资产的工作流——这些资产可能位于非常不同的环境中（如本地数据中心、企业云环境、SaaS环境、Palantir平台）。最终，这意味着AI驱动的推理可以被平滑地引入利用多样化逻辑集的决策场景中，而这些场景传统上仅由人类用户主导。

Ontology使用户能够构建整合和组合异构逻辑资产的工作流。最终，这意味着AI驱动的推理可以被安全地引入日益复杂的决策场景中。

行动

当信息（数据）和推理（逻辑）都被纳入共享表示后，剩下的要建模的部分就是决策本身的执行和编排（行动）。在实时决策中闭环行动回路，是区分运营系统与分析系统的关键。自Palantir成立以来，决策的执行与数据合成或分析整合同等重要。这要求设计和实现广泛的功能，包括如何安全捕获可能同时发生且可能存在冲突的决策；一个协作模型，区分哪些人可以探索可能的决策、哪些人可以分阶段决策以供审查、哪些人可以提交这些决策；以及一个将决策同步到现有数据库、边缘平台和坚固资产的广泛框架。

Ontology在企业的一个内聚的、以决策为中心的模型中原生建模行动。如果Ontology中的数据元素是企业的"名词"（语义化的、现实世界的对象和链接），那么行动可以被视为"动词"（动态的、现实世界的执行）。在每一个Ontology驱动的工作流中，名词和动词通过人类和/或AI驱动的推理（整合了各种逻辑片段）被组合成完整的句子。虽然将数据统一在一个语义模型中本身就有价值，虽然整合逻辑以全面评估可能的决策势在必行——但除非执行的决策与运营系统同步，否则这一切最终价值有限。Ontology使人类和AI驱动的行动能够安全地作为场景分阶段呈现，以与数据和逻辑原语相同的细粒度访问控制进行治理，并安全地回写到每一个企业底层系统——交易系统、边缘设备、自定义应用等。

Ontology在企业的一个内聚的、以决策为中心的模型中原生建模行动，使人类和AI驱动的行动能够安全地作为场景分阶段呈现，以与数据和逻辑原语相同的访问控制进行治理，并安全地回写到每一个企业底层系统。

简而言之，Ontology将数据、逻辑和行动整合到一个以决策为中心的企业模型中，可供人类和AI共同利用。从数据集成到应用构建，再到终端用户工作流，一切都通过一个久经考验的模块化架构驱动——使人类用户和AI驱动的副驾驶及自动化能够在共享的运营基础上查询、推理和行动。

让我们通过一个示例来解构Ontology如何使50多个行业的组织在数天内激活AI驱动的工作流。

运营示例

Titan Industries是一家虚构的医疗设备制造商，生产从注射器到外科口罩等一系列成品，每种产品都需要将精确的物料组合通过相关的制造流程。多样化的团队管理着从供应商关系、仓库运营、成品生产到终端客户分销的一切；决策相互依赖，并不断适应变化的环境。简而言之，经营业务的每一天都带来独特的挑战。

在这个示例中，Titan Industries面临一个主要供应商的意外中断，该供应商提供生产外科口罩所需的关键原材料。考虑到Titan各制造工厂紧张的生产计划以及客户对外科口罩不断增长的需求，此次中断将给履行未完成客户订单带来严重问题。幸运的是，Titan的运营领导层已将广泛的数据源、逻辑资产和行动系统连接到其企业ontology中——因此能够迅速响应。

Titan的ontology汇集了应对原材料中断所需的所有决策要素：它为每次短缺提供受影响收入的全景可见性以指导优先级排序，允许AI驱动的建议和最终解决方案以考虑企业的运营现实，并驱动回写和持续学习——不仅保持系统更新，还优化未来决策。

Titan将首先评估供应商短缺的即时影响，然后使用AI评估跨生产线的可能重新分配策略，最后将其决策转化为一组连接的行动，同时更新仓库流程、生产计划和履行路线。

Titan的ontology提供跨业务各相互依赖部分的实时、端到端运营可见性——使领导层和一线团队都能快速了解供应商中断。涉及供应商管理、仓库运营、工厂内生产活动、配送中心处理和客户履行的关键数据系统都被综合为语义对象和链接，反映业务的语言。只需几次点击，运营领导者就能精确定位因原材料短缺而面临风险的外科口罩生产，并通过ontology中的连接导航到每一份现在也面临风险的未完成客户订单。Ontology的细粒度安全模型确保更敏感的数据元素（如财务指标）在响应扩大到涵盖企业内更多团队时默认自动隐藏。

虽然运营用户通过直观的Workshop和SDK驱动应用导航Ontology是无缝的，但大语言模型的加入对Titan Industries来说是力量倍增器。AI驱动的副驾驶，利用开源和专有LLM，能够流畅地导航组织ontology中包含的供应商信息、库存水平、实时生产指标、货运清单和客户反馈。关键的是，所有AI活动都受与人类使用相同的安全策略控制——确保Titan工程师始终精确控制LLM可以查询、推荐和采取行动的内容。每个构建和部署的AI副驾驶都可以被视为一个新团队成员，随着Titan团队成员对其性能建立信心，逐步获得更广泛的权限。

Titan的ontology整合了组织关键系统的数据，将其综合为语义对象和链接，提供运营的实时、端到端可见性，使领导层和一线用户都能快速评估中断的全部影响。

态势感知只是Ontology冰山一角；Titan Industries需要快速识别应对供应商中断的解决方案，并探索每个可能决策固有的权衡。幸运的是，多样化的预测模型、分配模型、生产优化器和其他逻辑资产已与前述数据源一起连接到Titan的ontology中。这使供应链分析师能够快速运行一系列模拟，详细说明不同可能物料替代的后果。Ontology连接、实时的特性在此阶段至关重要，因为替代原材料可能对用相同材料生产的其他产品（如注射器、手套）产生下游影响。当模拟运行时，模拟输出被分阶段作为ontology场景，将提议的变更安全打包到Ontology的一个沙箱子集中——使团队能够在提交决策前安全地探索和分析决策的影响。

对Titan团队来说，真正的游戏规则改变者是AI驱动的副驾驶和自动化可以安全地利用全套逻辑资产以及相同的场景框架。Ontology使LLM能够超越以数据为中心的检索增强生成的限制，通过可扩展的工具范式与Ontology中互联的数据、逻辑和行动原语交互。这意味着当Titan的分析和数据科学团队在其云工作台中创建新的机器学习模型、在企业系统内调优优化算法、使用Palantir的开放模型构建框架微调LLM时，Ontology安全地将所有这些逻辑资产呈现为AI就绪工具。在本案例中，Titan创建了一个经过调优的AI副驾驶"Disruption Bot"，它能够使用一套Ontology驱动的工具扫描全范围的企业数据源、类似情况下先前行动方案的事后报告，以及可能适用的物料重新分配模型。由于通过Ontology提供了丰富、密集的上下文，Disruption Bot能够提出一个新颖的重新分配方案，使用了供应链分析师尚未考虑过的新模型。在该方案的影响被安全地分阶段置于场景中后，AI提出的决策被移交给人 类分析师进行最终审查。

Ontology安全地将Titan的逻辑资产——从机器学习到优化模型——呈现为AI就绪工具，为人类和AI驱动的工作流提供丰富、密集的上下文。

确定了解决物料短缺的可行方案后，Titan Industries需要快速安全地将决策推送到运行各组成流程的运营系统。考虑到企业通过收购成长，包含多样且微妙的关键运营系统组合，Titan IT团队对哪些流程可以回写这些系统以及在什么条件下回写保持警惕。幸运的是，Ontology对行动应用与数据和逻辑同样严格的控制和验证；提供对谁可以调用给定行动的细粒度控制、用于发布变更的测试驱动框架、批量分阶段和审查变更的能力，以及每个事件的详细日志记录。在本案例中，物料重新分配方案的执行自动编排了一组回写例程，每个都为接收系统调优：仓库管理系统接收API驱动的更新；三个ERP系统各自通过原生Ontology驱动的连接器接收更新，遵守每个系统中的保障措施；生产计划系统接收一个整合的平面文件，异步摄入。当行动执行时，Titan IT团队可以监控系统响应，并始终有权审计过往活动。

Ontology提供了AI在允许边界内安全采取行动所需的护栏。与数据和逻辑一起，行动可以自动作为工具呈现给AI驱动的副驾驶和自动化。行动的范围可以限于仅反映Ontology本身中的特定变更（如对对象的编辑或新对象的创建）；或可以回写到单个或多个系统。在Titan的背景下，他们已授予Disruption Bot和其他几个生产AI副驾驶访问少数行动的权限。在默认情况下，这些行动（如更改工单状态或推送重新分配方案）只能由AI分阶段呈现，然后移交给人 类进行最终审查。然而，借助Ontology（及更广泛的Palantir平台）提供的细粒度日志记录和运营仪表化，Titan能够精准选择哪些可信赖的、成熟 的AI流程可以自动闭环而无需人类审查。随着条件变化，赋予AI的权限可以扩大或缩小——并立即反映在所有Ontology驱动的工作流中。

Ontology允许Titan自动将行动作为工具呈现给AI驱动的副驾驶和自动化，同时提供AI在预定边界内安全采取行动所需的护栏。

危机之后呢？随着数据、逻辑和行动都连接到Titan的ontology中，组织有能力进行强大的以决策为中心的学习。产生特定物料短缺解决方案的人机协作也揭示了可推广的工作流，组织希望将这些工作流记录下来并在未来呈现。每个被评估的数据元素、逻辑资产和行动都被捕获在端到端的决策谱系中——这作为优化AI性能的丰富、上下文燃料。数千用户在Ontology中做出的聚合决策可以安全地用作微调模型时的训练数据，并且可以提炼为目标原则，在LLM提示时被调用。传统上被困在工作流缝隙中的隐性知识可以被AI照亮，以改进AI的应用。

Ontology在决策制定时捕获每个数据元素、逻辑资产和行动的更新——这作为随时间优化AI性能的丰富、上下文燃料。

Ontology前行

最终，Ontology允许每个组织将AI直接连接到其核心运营中，并精确控制AI驱动的建议、增强和自动化如何以及在何时可以用于一线场景。这是唯一可能的，因为Ontology是以决策为中心的，而不仅仅是以数据为中心的；它将决策制定的组成要素——数据、逻辑和行动——整合在单一软件系统中。新数据可以快速集成到全保真的语义表示中；新算法和业务逻辑可以为人类和AI用户无缝呈现；通过与全范围运营系统的实时连接，实现强大的行动集成。每个组织的ontology都是对跨团队不断变化的条件、抱负和决策的实时脉搏——确保AI始终锚定在企业的现实中。

感谢阅读这篇Ontology介绍。本文仅触及Ontology底层以决策为中心的架构的表面；系统原生的模拟和场景构建能力；通过Ontology SDK提供的可扩展性；将商业和开源生成式AI模型连接到安全的数据、逻辑和行动子集的各种方式；以及在整个企业中扩展人机协作的方法。