top of page

Databricks:宣布 Genie Ontology 正式推出,將共享業務語境置於首位

40 分鐘前
讀畢需時 12 分鐘

Databricks 於 11 月 11 日宣布 Genie Ontology 正式推出,將共享業務定義置於其企業 agent 策略的核心。其公告〈Announcing GA of Genie Ontology〉正面回應一項實際矛盾:agents 即使查詢相同資料,對業務含義的理解仍可能不同。

本體論是一種以結構化方式表達業務概念及其關係、可供軟件使用的模型。Databricks 希望這種表達方式可供多個 agents 共用,而非讓每個助理各自重建公司的知識。

這項公告對為每個 agent 分別建立語境集合的團隊帶來壓力。Palantir 早已將本體論視為企業基礎設施,儘管其實作更着重營運物件與行動。Databricks 則採取另一重點:從既有分析工作中學習語境,同時讓人員建立具權威性的定義。

這項差異比另一個聊天介面更為重要。核心問題在於,企業能否重用累積下來的知識,而不會將每個歷史儀表板、notebook 和文件都視為不容置疑的真相。

宣布 Genie Ontology 正式推出,建立共享語境層

最具影響力的改變,是邁向由中央管理、可供多個 agents 重用的業務語境。

Databricks 將 Genie Ontology 描述為共享基礎設施,結合自動學得的知識與由人員管治的定義。11 月 11 日的公告亦指出,Unity Catalog Domains 和 Pages 已正式推出。其規劃中的視覺化策展介面 Ontology Manager,則仍處於即將推出的 beta 階段。

在任何採購討論中,這項可用性區別都應置於前列。底層本體論正式推出,並不代表所有同時公布的功能均具備相同成熟度。

較廣泛的 Genie 發布亦涵蓋自主工作及額外的應用體驗。這些發展提供了背景,但此公告聚焦於這些體驗之下的業務知識。

這項架構選擇改變了組織應如何調查意見分歧。當不同 agents 回傳互相衝突的結果時,它們各自的 prompts 只是其中一個可能原因。其定義、來源選擇及存取權限同樣值得檢視。

設想一個假設性的銷售組織,要求不同助理識別活躍客戶。財務助理可能按合約狀態判定,而客戶成功助理則按近期產品使用活動判定。兩種答案都可能遵循有效的本地規則。

共享語境層不會令這些區別消失。它提供一個位置來表達這些差別、附加責任歸屬,並讓其預定適用範圍可被看見。

這比將 agent 連接到更多檔案,是一項要求更高的主張。檢索可以找到載有答案的文件;企業語境還必須確定該文件是否為問題提供了恰當答案。

因此,這項公告除了技術問題外,也提出一項組織問題。必須有人決定哪些業務定義應具權威性、哪些仍屬部門範圍,以及誰可更改它們。

對現有 Databricks 客戶而言,實際吸引力在於重用。他們的分析資產已包含有關計算、例外情況及報告慣例的決策。為每個新助理重建這些決策,會帶來另一項維護責任。

對正在評估該平台的組織而言,相關問題則不同。他們需要評估其環境中已有多少可用知識,以及仍有多少未被記錄。

這些起始條件將塑造所需工作。語境系統無法復原從未有人記錄的政策,而已記錄的做法也不會自動等同於已獲批准的政策。

宣布 Genie Ontology 正式推出,令這項區別具備商業相關性。買方現在有一項可用的平台能力可供評估,同時仍須持續承擔其所使用知識的責任。

共享語境將壓力轉移至資料擁有人

共同知識層令定義的責任歸屬成為部署 agent 的一部分。

直接承受壓力的是資料主管、業務領域擁有人,以及維護內部 agents 的團隊。他們必須決定現有定義是否已準備好供更廣泛重用。

一項在熟悉團隊內行之有效的報告慣例,當另一部門透過助理接觸它時,可能變得含糊。原有使用者或許明白從未寫入文件的例外情況。

自動化提高了這些例外情況的重要性。檢視儀表板的人可以詢問作者標籤的含義;agent 則需要可存取的依據來作出這項區分。

這改變了部署對話。僅問助理能否存取資料集並不足夠。買方還需要知道,它是否理解資料集的預定用途。

歷史資訊亦同樣如此。一項計算可以準確重現舊報告,卻未必適合當前的營運決策。語境除了需要來源脈絡,也需要目的意識。

來源脈絡是指資訊從何而來,以及如何到達答案的紀錄。它有助審核者調查推理過程,卻不會認證底層業務判斷。

這項區別為領域專家帶來工作。他們需要識別哪些定義應廣泛適用,哪些則需要較狹窄的詮釋。

單靠中央擁有權亦會產生另一個問題。若每項澄清都需要平台團隊處理,業務語境就會成為一條隊列,與基礎設施維護及應用程式交付競爭資源。

因此,可行的營運模式需要分散責任。財務部門應擁有財務詮釋權,其他部門則保留對其工作特有概念的權威。

共享層必須讓這些邊界易於理解。否則,單一企業知識系統可以像集中有用定義一樣,集中混亂。

開發人員亦面對相關轉變。他們的工作從提供指示及工具存取權,擴展至檢查 agents 在不同使用者條件下是否取得正確詮釋。

一個有用的評估問題是,改變具權威性的定義後,是否會在各個使用該定義的 agents 中產生預期改變。另一個問題是,部門專屬定義是否維持在其預定範圍內。

這些是建議的驗收準則,而非已公布的 Genie 結果。它們源於可重用語境的承諾:更新應可預測地傳播,而例外情況應維持為有意為之。

知識工作者同樣與此息息相關。即使部門對底層術語存在分歧,附有引用的答案仍可能顯得已成定論。

這項更廣泛的區別,類似於個人與團隊知識之間的差異。僅對一人有用的資訊,只有在其範圍及維護方式明確時,才會成為共享基礎設施。

對採購團隊而言,這意味着除了產品能力外,還要評估實作責任。軟件可以整理語境,但企業仍需要獲授權解決分歧的人員。

營運效益取決於這項工作能否重用。若每個新 agent 都需要再進行一輪定義清理,組織只是轉移了重複工作,而非將之減少。

學得的知識需要明確的權威模型

Databricks 的做法結合廣泛的知識擷取,以及一小組經刻意管治的定義。

公司的文件將學得的知識與建模知識區分開來。學得的知識由從既有資產及使用情況擷取的片段構成。建模知識則包括明確維護的指標、概念及組織分類。

根據文件所述的語境權威模型,建模知識優先於互相衝突的學得知識。使用者可以檢視支援片段及其來源。學得的片段無法直接編輯;更正需要改動來源,或建立具權威性的建模定義。

Unity Catalog 是 Databricks 用於資料及相關資產的管治系統。其語義工具包括用於受管治計算的 Metric Views、用於業務分組的 Domains,以及用於已定義概念的 Pages。

這項設計處理了一個常見的維護兩難。將每項細節建模需要持續投入,而完全依賴擷取材料則可能保留偶然或過時的做法。

一個假設性的收入問題說明了為何兩方面都很重要。某個儀表板可能包含為地區銷售會議而設的計算。會計團隊則可能為財務報告維護另一套定義。

自動擷取儀表板的邏輯可以復原有用知識。若將其視為普遍具權威性,則會引入適用範圍上的錯誤。

因此,重要機制是擷取與權威之間的關係。系統需要有足夠的學得細節來回答具體問題,同時具備明確規則,說明哪些定義優先於其他定義。

這種安排亦創造回饋機會。反覆出現的模糊之處,可以指出某個概念需要正式責任歸屬。

然而,將定義正式化應涉及業務決策。重複使用不會令一項計算變得正確,而受歡迎也不等同已獲批准。

更正路徑同樣重要。若來源包含錯誤,組織在更改來源前,需要了解哪些下游答案依賴於它。

具權威性的覆寫可以處理即時詮釋,但原始資產仍值得關注。否則,人類與 agents 可能會繼續透過不同途徑遇到互相衝突的版本。

這正是共享語境策略成為維護策略的地方。其價值在於減少重複探索,同時保留質疑系統所學內容的能力。

競爭比較有助釐清範圍。Palantir 的營運本體論透過物件、屬性及連結來表達業務實體,並配合支援工作流程的行動及函數。

這比主要將本體論視為回答問題的語境,屬於更廣闊的營運框架。重疊的術語不應掩蓋實作及預定用途上的差異。

買方應比較具體工作流程。他們可以詢問每個平台如何表達具爭議的指標、記錄責任歸屬、控制業務行動,以及解釋答案。

「本體論」這個共同用詞並不代表功能等同。此版本推出也不代表 Databricks 與 Palantir 之間已建立整體效能排名。

對 Databricks 而言,其獨特主張在於把既有分析工作與可重用的業務理解連結起來。其成功取決於擷取出的語境能否保持可檢視、可更正,並適當從屬於受管治的定義。

這正是宣布 Genie Ontology 正式全面推出後值得評估的機制:平台如何將累積的工作轉化為可重用的證據,而不賦予每項產物同等權威。

該基準測試完整的 Agent 設定

所報告的效能差距支持進一步評估,但未能單獨釐清 ontology 的貢獻。

Databricks 與 Turing 圍繞虛構的英國能源供應商 Calderwick Energy 開發了一套基準測試。每個 agent 都在同一個工作區內執行每項任務五次。

已發布的企業 agent 基準測試顯示,Genie 的通過率為 91%,Agent A 為 45%,Agent B 為 58%。平均 token 使用量分別為 431,829、889,019 及 1,051,070。Token 是模型處理文字的單位。

Genie 以原生方式運行,而未具名的替代方案則使用排除 Genie MCP 存取權的 Databricks 工具組。MCP 即 Model Context Protocol,將 AI 應用程式與外部工具之間的連接標準化。

這些是供應商報告的完整設定結果。它們並未證實普遍適用的企業準確度,亦未比較在有及沒有 ontology 存取權時其他方面完全相同的系統。

這項限制不代表評估毫無意義。企業部署的系統包含模型、工具、權限及累積的 context。量度整體結果,可以回答一個實際的採購問題。

這回答的是與針對單一元件進行受控實驗不同的問題。買家應區分已交付系統的效能,以及對其優勢所提出的解釋。

基準測試的任務設計亦很重要。商業分析往往需要找出位於最明顯資料表以外的詮釋。

在已發布的示範說明中,一個看似直接的歷史規劃費率問題,需要查閱 notebook context。單憑閱讀可見的資料表數值,會導向錯誤的詮釋。

普遍適用的啟示是:正確執行查詢並不保證得到正確的商業答案。Agent 可以檢索到真實數值,卻仍然回答了另一個問題。

不過,這項基準測試仍應限於其設定範圍內解讀。虛構的能源工作區無法代表每間公司的文件、權限架構或定義質素。

擁有累積知識的既有環境,亦不同於剛完成連接的工作區。買家需要了解,所報告的量度之前進行了哪些準備步驟。

Token 效率同樣需要審慎看待。回答問題時使用較少 token 可能很有價值,但營運工作亦包括準備及維護周邊知識。

完整的評估會將這些維護工作與回應質素一併考慮。否則,組織可能只優化可見的推理工作,卻忽略讓它得以運作的勞動。

未具名的競爭 agent 進一步限制了詮釋空間。讀者不能根據已發布的標籤,推論某一特定商業助理表現較差。

同樣地,沒有披露名稱也不應引發猜測。相關的比較是已有記錄的一項,即供應商所描述的設定及存取條件。

就企業試點而言,更有力的本地測試應包含存在爭議的定義、過時資產、受限制來源,以及需要歷史詮釋的問題。這些情況可暴露直接查詢可能遺漏的弱點。

評審者亦應檢視錯誤答案。基於錯誤定義而自信地答錯,與因缺少存取權而拒絕回答,需要不同的補救方法。

這項基準測試提供了測試 Databricks 主張的理由,但並未免除量度系統在買家自身業務中如何運作的需要。

更廣泛的來源覆蓋帶來新的管治邊界

只有在存取權、時效性及權威性仍可理解時,連接更多知識才會提升實用性。

Databricks 的企業搜尋設定文件列出 Google Drive、Jira、Confluence 及 Workday 為支援來源。文件指出,內容及權限會進入共用索引。

文件區分已建立索引的搜尋與即時連接器。搜尋會在索引重新整理後反映變更;連接器則可擷取目前的應用程式狀態,並執行獲允許的操作。初始索引建立可能需時數小時或數天。

這種區分帶來實際影響。描述某項流程的文件,以及顯示其目前狀態的工單,分別回答商業問題的不同部分。

以假設的產品推出檢討為例,agent 可能同時需要兩者。設計文件說明預期行為,而目前的工單記錄尚未解決的工作。

廣泛搜尋結果不應悄然取代目前的營運核查。相反,即時狀態更新也可能缺少解讀其重要性所需的理據。

因此,買家應檢視答案如何傳達時間資訊。引用可識別來源,但使用者亦需要足夠 context,以判斷其內容是否仍然適用。

權限形成另一道邊界。資訊存取權決定誰可看到資訊;權威性則決定資訊應在何時指引答案。

這些控制措施解決的是相關但不同的問題。一份可廣泛存取的文件可能已過時。一份受限制的文件,對獲准查閱的使用者而言可能具權威性。

當商業邏輯跨越應用程式邊界時,同樣適用這項區分。匯入計算方式不應抹去其原始作者預期它運作時所需的條件。

Databricks 於 11 月 10 日的公告描述了另一項Power BI 發布功能。它會將 Unity Catalog Metric Views 發布至 Power BI semantic models,目前仍處於私密預覽階段。

這個流程有別於從既有 BI 資產學習 context。向外發布受管治的定義,以及向內引入既有商業邏輯,具有不同的擁有權及驗證要求。

Ontology 正式全面推出,並不會改變該發布整合功能的可用性狀態。買家應獨立追蹤各項功能,而非從周邊發布推斷其準備程度。

這項區分亦揭示一個更廣泛的實施問題:當多種工具都可使用某項定義時,組織應在哪裏維護它?

只有在團隊就權威來源達成共識時,遷移才能減少重複。若在各處保留可編輯版本,便會保留原有的協調問題。

這不代表必須立即將每個商業概念移至單一應用程式。它要求在過渡期間清楚知道哪個版本控制哪個工作流程。

對平台團隊而言,優先事項是清晰的責任鏈。他們需要知道誰擁有來源存取權、來源質素、定義審批及下游行為。

對業務使用者而言,優先事項是可理解性。他們應能理解某個答案為何採用了特定定義,而毋須重建整個整合架構。

更廣泛的連接性令這些責任更迫切。它擴大 agent 可用的證據,同時增加過時假設可能出現的位置。

留意策展、獨立複現及共用使用情況

下一批有用訊號,關乎 context 如何維護、結果如何複現,以及多個 agent 是否真正重用它。

首先,留意 Ontology Manager 的發布及實際範圍。Databricks 將即將推出的 beta 定位為檢查及策展 ontology 的地方。

它的重要性取決於所支援的工作。找出模糊概念只有在擁有者能調查並作出受控修正時才有價值。

容易進行審查及修正的證據,將加強共用基礎設施的論點。若日常變更仍需依賴專家介入,則會縮窄其實際覆蓋範圍。

第二,留意獨立複現的評估。最有力的證據將來自測試自身問題,並公布足夠細節說明結果的組織。

有用的披露應說明準備工作、來源覆蓋範圍、失敗案例,以及競爭系統的設定。單憑醒目的通過率,無法確立這些條件。

若在不同環境中反覆取得改善,將提高人們對該方法可超越供應商示例的信心。結果若高度不一,則意味著更依賴本地知識質素。

兩種結果都具有參考價值。買家需要知道哪些先決條件可預測成功,而不是假定正式全面推出代表各個組織都具備一致的準備程度。

第三,留意同一套受管治的 context 是否支援多種 agent 體驗,而毋須反覆進行定義工作。重用正是核心的架構承諾。

一個具說服力的採用案例會展示組織更新一項商業定義,並觀察其消費工作流程出現適當行為。它亦會說明例外情況如何保持受控。

這將提供減少協調工作的證據。單純連接更多助理只證明覆蓋範圍,卻未解決維護方面的主張。

這些訊號應在未來數月引導關注方向。它們比新增功能名稱更具揭示性,因為它們測試的是產品發布底下的營運模式。

宣布 Genie Ontology 正式全面推出,讓企業買家有具體方法檢視一項持續存在的 agent 問題:可存取資訊並不保證共享的商業理解。

從一個目前會引發分歧的商業問題開始。識別已獲批准的定義、互相競爭的歷史詮釋,以及負責解決衝突的人員。然後評估 agent 是否選取正確證據,並使其選擇易於理解。加入已變更的定義及受限制來源,因為兩者都能揭示整潔示範可能隱藏的行為。問清楚平台移除了哪些工作,以及哪些責任仍由團隊承擔。決策應取決於共享 context 能否減少重複詮釋,同時讓修正工作保持可管理。你的組織會信任哪一項定義,足以讓多個 agent 重用?

 
 

為每個智能代理提供更完整的背景,提升工作表現

讓智能代理連接 remio 已整理好的知識、決策和歷史紀錄。

remio 目前支援 Windows 10+(x64) 及配備 Apple 晶片的 Mac。

你的 AI 工作夥伴
和 remio 一起高效工作

規劃、創作、交付
一站式完成

bottom of page