返回资讯中心
外部精选
软件工程
#开发实践#Analytics, Artificial Intelligence, Generative AI

神经符号AI如何改造企业决策

来源标题:How neurosymbolic AI can transform enterprise decision-making

神经符号AI可弥补大语言模型在企业决策中的可靠性短板。文章指出,LLM在处理复杂数据集、业务规则和合规要求时无法提供企业级溯源,输出可能失真并产生幻觉,进而影响销售、收入和合规。神经符号方法旨在结合符号推理提升决策可解释性与准确性。

InfoWorld2026/11/9 · 8 天前21 分钟阅读

以下正文由 AI 翻译自 InfoWorld(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

Agentic AI 已成为强大的企业业务工具,能力不断增强。借助大语言模型(LLM)开发一个看似可行的自动化方案来解决业务痛点,从未像现在这样容易。

但这个方案是否足够可靠,能达到你所要求的程度?尤其是当它得出的洞察被用于支撑关键业务决策时。

LLM 是极其宝贵的资源,在企业的 agentic AI 基础设施中扮演着重要角色。但当它们必须在复杂的数据集、业务政策、行业法规、决策层级和多个软件系统之间协同工作时,它们本身并不能提供企业级的溯源能力,无法说明是哪些证据、假设、约束和决策逻辑产生了某项建议。此外,当从大量数据源收集输入时,其输出的准确性可能会下降,并可能产生幻觉。如果业务决策建立在无法解释或可能不准确的 LLM 输出之上,就可能造成重大后果,影响产品销售、收入、合规或客户。

问题在于,LLM 被要求承担过多的企业推理工作,却缺乏围绕它的驾驭机制和企业基础。

决策的结构化基础

尽管过去几年企业对 agentic AI 的兴趣大幅增长,但概念上可行的方案并不总能在试点阶段及之后证明有效。Agentic AI 试点在生产环境中失败的常见原因是:LLM 被要求承担过多的企业推理工作,却缺乏企业基础的支持。LLM 在某些用例中很强大,比如演示,但企业决策始终需要超越一条好提示词的结构。尽管 AI 工具和平台正变得越来越普及,在产出结果方面也越来越高效,但企业决策依赖于计划版本、约束、政策、审批逻辑和财务护栏。此外,企业在实施和扩展 AI 使用过程中,仍需要在很大程度上依赖员工的专业知识、判断力和推理能力,以确保输出可信并能应用于关键业务决策。

LLM 在构建有效的企业 AI 基础设施中始终会扮演关键角色,但另一个关键组成部分是企业运营和决策方式所独有的信息、组织知识和上下文。Neurosymbolic AI 通过将神经 AI 的模式识别和语言能力与企业显式的符号化表示相结合,来增强企业 AI——这种表示包括企业的实体、关系、计划、政策、约束、决策逻辑和上下文。邮件、会议记录、电子表格、合同和政策文件等非结构化信息可以为该模型提供输入,目标是赋予 AI 一个结构化的企业基础,使其能够基于此进行推理。

Neurosymbolic AI 是一个框架,它将符号 AI 的核心优势——显式表示企业结构、关系、规则、约束和决策逻辑——与神经 AI 的能力——语言理解、模式识别和综合——结合起来。该框架建立在符号 AI 的领域专业知识和规则之上,同时利用神经 AI 从海量数据中发现和学习复杂模式与关系的能力。描述这一架构的一个直观概念模型是 10-80-10。前 10% 是神经部分,由 LLM 帮助解读用户意图并将其转化为结构化的企业问题。中间 80% 是企业基础承担推理的部分——这些推理本就不应要求 LLM 即兴发挥。系统在此解析企业上下文,并可调用计划、政策、约束、决策权、预测、因果分析、模拟、优化、规则和求解器来评估场景与权衡。最后 10% 再次是神经部分,由 LLM 用清晰的业务语言解释结果,使答案可用于业务决策。

因此,Neurosymbolic AI 能够大规模理解海量数据并召回复杂模式,同时融入组织独有的结构化推理和上下文知识。这使结果扎根于现实,并显著降低产生幻觉的概率。

在上下文中理解业务问题

将 neurosymbolic AI 纳入企业更大 AI 战略的关键一环,是一个结构化的企业和决策模型基础,它能够连接数据、知识、计划、政策、约束和决策上下文。例如,o9 Digital Brain 的 Enterprise Knowledge Graph 提供了一个结构化且持续更新的语义基础,用于组织企业信息并将其连接到决策模型,以支持预测、优化、场景分析和建议行动等能力。随着每一个新前沿模型的出现,更好的提示词构建正变得越来越不重要。系统需要在上下文中理解业务问题:目标、相关的企业范围、当前计划和实际值、政策和约束、可用的决策杠杆,以及谁有权采取行动。Neurosymbolic 架构允许大部分上下文来自企业模型本身,而不需要用户在每条提示词中重新构建。

Neurosymbolic AI 已在几个领域提供了切实的业务价值,例如数据集成,以及将非结构化数据转化为指导决策的洞察。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →