Uniphore是一家以对话式 AI 和自动化解决方案而闻名的全球科技公司，它正在朝着简化企业开发检索增强生成(RAG) 应用程序的方式迈进。该公司今天宣布推出 X-Stream，这是其核心数据和 AI 平台的一个新层，它支持知识即服务，并为企业汇集强大的工具、连接器和控件，以调动其多模式数据集，用于扎实的、特定领域的 AI 应用程序。
从本质上讲，X-Stream 为企业提供的是一个统一开放的架构，将准备 AI 数据的所有分散步骤组合成一个无缝的流程——本质上是一种一站式解决方案，无需在整个堆栈中使用多种工具。
地理位置智能对营销人员的强大作用
“借助 X-Stream，客户可以微调数据，将其转换为可用于 AI 的知识，并将其无缝输入 Uniphore 行业特定的、可用于生产的小型语言模型或构建自己的模型。我们的数据科学家和工程师凭借多年的经验，解决了准确性和幻觉问题，确保了安全性并引导客户实现 AI 主权，”该公司首席执行官 Umesh Sachdev介绍说。
解决 RAG 的数据问题
随着生成式人工智能的兴起，RAG 的概念变得相当流行，即人工智能使用来自特定数据库和来源的信息来为复杂问题提供准确的答案。如今，大多数企业都在竞相构建专用的基于 RAG 的搜索和聊天应用，这些应用可以使用其内部知识库提供无幻觉的响应，并最终提高不同职能部门的效率。
然而，在构建（和扩展）此类应用程序时，事情往往会变得有点棘手——特别是在数据方面。
在几乎所有 RAG 情况下，组织想要使用的信息都分布在不同来源和格式中，从结构化表格到非结构化文本对话、文档和视频。为了整合所有这些信息，公司必须拼凑多个组件并使用数据连接器/ETL 工具（如 Fivetran）连接到各自的数据仓库、ERP、HCM、内部应用程序等。
一旦信息连接起来，他们就必须通过对数据进行分块、将其转换为嵌入并将其存储在矢量数据库中（使用 Milvus、Weaviate 或Pinecone等工具）来实现 RAG 流。然后，为了提高准确性，他们可能会添加像 Neo4j 这样的图形 RAG 功能。
所有这些步骤和工具，以及其他一些步骤和工具，很快就会堆积起来，使管理和操作变得非常困难。因此，该项目最终需要数月时间才能发展成为可扩展的新一代 AI 应用。
Sachdev 说：“我们一直听企业数据领导者说，他们希望以更有效的方式推动从语音、视频和文本的数据集进行知识转换，而不是使用传统的数据平台或库。”
为了解决这些数据缺口，Uniphore 推出了 X-Stream，这是一种统一开放的架构，将所有必要的工具和控制集中到一个地方。
该产品从 200 多个来源获取多模态数据，并通过运行智能合并和转换作业使其适用于 AI。初始处理完成后，它会解析和分块数据，将其转换为嵌入并将其存储在矢量数据库中，帮助数据团队向 AI 团队提供相关数据，特别是用于为 Uniphore 的行业特定小模型或他们自己的 RAG 和微调用例提供数据。
但事实并非如此。
X-Stream 还可以生成需要上下文和推理的知识图谱，并创建合成数据来微调特定用例或行业的模型。此外，它还提供事实性检查和区块归因等证据管理功能，以增强对 AI 的信任。
这实际上为团队提供了一套完整的解决方案，以增强他们的整个 AI 流程，从数据准备到最终输出。这使得生产级 RAG 应用的开发速度更快。
Sachdev 补充道：“X-Stream 的独特之处在于两个原因：它借鉴了 Uniphore 16 年处理语音、视频和文本等各种非结构化数据的经验，并提供了统一开放的平台功能，可满足广泛的企业 AI 需求。”
承诺的重大价值
尽管 X-Stream 是新产品，但 Sachdev 指出，其优化 AI 和数据组件的能力可以使使用内部数据并满足最高质量、合规性和治理标准的特定领域一代 AI 应用程序的部署速度提高 8 倍。
他指出：“Uniphore 提供基于使用情况的定价模式，客户通常会在上线后的几周内获得 4 倍至 6 倍的投资回报。”
值得注意的是，X-Stream 的一些数据功能也由超大规模企业和初创公司提供，包括亚马逊（与Sagemaker合作）、Tonic AI和Unstructured.io。新产品的扩展方式将会很有趣，尤其是随着越来越多的企业采用生成式 AI 来支持其内部和外部用例。Uniphore 与 1,500 多家公司合作，包括 DHL、埃森哲和 General Insurance。
据Gartner预测，到 2025 年，30% 的生成式人工智能项目将在概念验证后因数据质量差、风险控制不足或成本不断上升而被放弃。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/uniphore-tui-chu-xstream-yi-kuan-tong-yi-de-zhi-shi-chan
