注意：以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。
Palantir AIP 在全球最关键的商业和政府环境中推动实时、AI驱动的决策。从公共卫生 ↗到电池生产 ↗，组织依赖 Palantir 在其企业中安全、可靠和有效地利用AI，并推动运营成果 ↗。
简而言之，Palantir AIP 将生成性AI与运营连接在一起。与 Foundry - Palantir 的数据运营平台 - 以及 Apollo - Palantir 用于自主软件部署的任务控制平台 - 一起，AIP 是一个 AI 网格 的一部分，能够提供全套的AI驱动产品，从 LLM 驱动的网络应用到使用视觉语言模型的移动应用，再到嵌入本地化 AI 的边缘应用。我们将这整套能力、功能和工具称为 Palantir 平台。
尽管实现和扩大 Palantir 平台的运营影响力有许多因素 —— 包括 AIP 训练营 ↗，客户可以在短短几小时内通过 AI 实现成果 —— 关键的差异化因素是围绕 Palantir Ontology 的软件架构。
Ontology 旨在表示企业中的决策，而不仅仅是数据。世界上的每个组织都面临如何在瞬息万变的内部和外部条件下执行最佳决策的挑战，通常是实时的。
这些决策过程的复杂性反映在 Ontology 中，它促进了与现有企业系统的深度双向互操作性。Ontology 自动将相关数据、逻辑和操作组件集成到现代化、AI可访问的计算环境中。这不仅解锁了与 AI 协作的运营应用的快速开发，还包括传统的商业智能和分析工作流。
每个决策都可以分解为数据、逻辑和操作。
在 Palantir 平台中，所有这些组件都设计为促进 AI 协作模式，以释放您的操作员、分析师和主题专家的全部潜力。
Ontology 将数据作为对象和链接集成，以使运营的现实世界复杂性对人类和AI都可理解。这解锁了构建人类+AI协作工作流的能力。
Ontology 本地支持多种数据类型以及一些扩展基元，例如用于解锁非结构化数据的语义搜索、用于处理图像和视频的媒体引用和用于在数据中嵌入额外约束和上下文的值类型。这些是 AI 工作流开发的数据构建块，在下面的逻辑和操作部分中有更详细的描述。
此数据模型为探索结构化、非结构化、地理空间、时间序列、模拟和其他数据模式的开箱即用应用程序提供支持。这些基础工具与上下文感知的AIP Assist相结合，大大缩短了在平台中探索和分析数据的时间。
除了应用程序构建和分析外，在 Ontology 中建模数据会自动创建一个强大的 API 网关和 Ontology 软件开发工具包（OSDK），作为企业内连接性的“运营总线”。
数据很少以干净、正确和形状良好的格式提供，以准确和可靠地向决策者展示事实。为此，Palantir 平台提供了一个可扩展的、多模式的数据连接和集成框架，能够开箱即用地与企业数据系统协作。
Pipeline Builder 将LLM数据变换的能力放入一个点击即用的包中，使使用最新的 LLMs 来支持基于管道的变换（如分类、情感分析、摘要、实体提取或翻译）变得简单。这为在 Ontology 中自动创建“提案”供操作员审查和批准奠定了基础，无需一直运行实时模型请求的滞后。（注意，正如在下面的逻辑部分中讨论的，这两种与模型交互的方法是高度互补的。）
此外，Pipeline Builder和Code Repositories中的AIP Assist通过一个具有深度集成的 AI 合作伙伴加速数据工程，该合作伙伴不仅能访问 Palantir 文档和通用代码片段存储库，还可以为下一步操作或相关教程提供建议。
如果数据定义了我们决策的背景，逻辑则封装了丰富此背景的推理和分析，使人类+AI 团队能够做出更好的决策。这可以以模型输出和可视化的形式提供额外的上下文，呈现在运营应用中，或直接融入操作的机制中。
基于这一广泛定义，定义和执行逻辑的能力贯穿于整个平台；例如，我们可以考虑模型、业务逻辑和模板化分析和报告。
生成性AI、LLMs、预测、优化器等
像 LLMs 或预测这样的模型接受参数并提供输出，以作为当前决策的背景。在数据科学家熟悉的循环中，这些模型通常经历训练和优化的迭代过程；然而，将这些模型用作生产中的运营工作流可能是一个挑战。Palantir 的建模能力可以促进模型的运营部署。
在 Palantir 平台中，模型的完整生命周期被捕获为建模目标，而模型本身的逻辑被抽象为模型适配器。这种方法意味着无论您是在平台中训练、自行携带容器还是上传预训练模型，各种模型都可以通过函数绑定到 Ontology 中，以便在运营应用中进行实时交互，或者被配置为批量部署并计划在数据管道中执行。
特别是对于生成性AI，Palantir 的语言模型服务提供了一个统一的界面用于多模式交互，同时抽象了特定模型和提供商的实现细节，使得在商业可用的 LLMs 领域中进行开发变得简单。为了进一步改进结果，Palantir 的评估工具可以让您在时间和模型之间对 LLM 的性能进行基准测试，以监控漂移并自信地进行更改。
业务规则、流程映射、语义搜索
当建模方法采用自下而上的数据训练方法时，业务逻辑通常基于治理运营领域的显性或隐性规则，自上而下进行。这些可能存在于外部系统中，Palantir 可以通过外部函数和Webhooks直接连接这些系统以在运营工作流中进行实时交互，或通过外部变换进行管道连接。业务逻辑也可以直接在 Palantir 平台内使用规则和管道构建器为数据管道中的逻辑进行编写，以及为将在运行时执行的逻辑使用 Automate 和函数。
对象视图、分析模板、生成的报告
逻辑不仅存在于数据科学模型中或作为硬编码业务规则；分析师通常在一次性调查、分析或报告中捕获和收集高价值逻辑。在 Palantir 平台中，您可以使用Contour和Quiver等点击分析工具以及Code Workspaces等笔记本构建分析和仪表盘。Ontology 数据模型的语义使得很容易将这些分析产品模板化并重复使用，无论是嵌入在对象视图或Workshop应用中，还是作为独立仪表盘展示。这些对象视图、模板化分析和仪表盘可以插入运营应用中，提供一目了然的见解以指导决策，同时提供进一步临时探索的途径。
总之，这三个逻辑方面——模型、业务逻辑和模板化分析及报告——提供了一个工具箱或调色板，用户可以从中自由组合，为决策者在关键时刻提供所需的所有上下文。
为了使任何决策产生影响，该决策必须传播到世界中。这就是操作定义企业“动词”的地方 - 也就是所做的事情 - 并控制人类操作员或 AI 代理如何确保其决策持续存在，无论是在 Ontology 数据模型中还是通过与外部系统的交互。此外，在 Ontology 中捕获决策结果允许用户将特定决策与未来数据中的结果观察配对。这使得反馈循环成为可能，将未来的决策置于过去选择的背景中，并可以用于重新训练或微调模型，或者仅仅支持操作员更清晰地了解过去。
在 Ontology 中表示这些“动力学”的原子单位是操作，它提供了特定、细粒度的控制用于更改或创建数据，以及用于在外部系统中协调更改。可以通过一个点击配置界面简单地定义基本操作。可以通过函数支持的操作和Ontology 编辑 TypeScript API指定任意复杂的操作。操作也可以在Ontology 软件开发工具包（OSDK）和平台API中打包，以便自定义应用开发和现有第三方工具可以轻松且安全地写回到 Ontology。
每个操作的权限确定哪个用户或代理在什么条件下能够执行操作，为安全、可审计和透明的控制奠定了基础。
在复杂、紧密耦合的环境中，如供应链或制造车间，一个小的变化可能会引起级联效应，产生意外或意图之外的结果。场景原语允许用户通过对 Ontology 的一个分支进行更改来预测这些后果，有效地创建一个沙盒宇宙，在这个宇宙中可以对潜在变化进行预测、业务流程模型和其他分析。Vertex应用专门用于这种过程可视化和情景测试；Workshop应用构建器本地支持情景用于开发包含“假如...”工作流的运营应用。
这些原语为安全开发在生产工作流中操作的人类+AI 团队创造了环境。操作的细粒度权限和访问控制提供了一个“控制平面”，其中代理被沙盒化，具有对其可以使用的数据和工具的特定限制。在大多数模式中，AI 代理不是直接进行更改，而是通过与集成到 Workshop 的 AIP Logic函数的直接集成同步创建提案，或通过Automate或Pipeline Builder 中的 Use LLM节点异步创建提案。生成的提案然后可以呈现给操作员以进行改进、反馈和最终决策。此基于提案的模式，除了加强“人类在回路中”范式外，还生成了有价值的元数据，使代理能够在持续反馈的情况下学习和发展。
体验 AIP 威力的最佳方式是开始构建。阅读入门指南以获取更多信息，或者 - 如果您可以访问平台 - 只需询问 AIP Assist 根据您的目标建议从何处开始。
有关这些决策组件如何交互以指导工作流开发的更多信息，请参阅关于提炼功能需求的讨论，在应用案例开发中讨论，或在AIP Now 展示 ↗中找到行业特定的端到端工作流示例。
此外，您可能会对了解 AIP 的构建方式以及如何与您组织中的现有投资集成感兴趣：
文档的其余部分被组织为平台能力的集合。每个能力的摘要如下：
Palantir 提供了一个可扩展的、多模式的数据连接框架，能够开箱即用地连接到企业数据系统并提供：
Palantir 提供一个集成的、端到端的模型开发环境（如，Python 和 R）；灵活集成使用行业标准工具集构建的外部模型；为所有开发或集成的模型提供受管路径到生产；以及一个用于持续评估部署模型的“任务控制”。架构目标是为企业中的所有业务逻辑和建模提供连接路径，无论给定的资产是在何处训练、测试和/或托管。
如上所述，为了创建一个综合的决策中心企业模型，Ontology 集成了：
Ontology 的这些构建块使运营的现实世界复杂性对操作者和AI都可理解，解锁了构建混合人类-AI工作流的能力。额外能力包括：
Palantir 的应用开发框架使企业能够构建运营工作流并开发应用案例，利用用户操作、警报和其他终端用户前线功能与工具使用、数据感知的 AIP 代理进行协作。
应用案例开发能力包括：
平台为每种类型的用户提供分析能力，无论他们是否会编程。能力包括点选和基于代码的工具，能够进行基于表格的分析、自上而下的可视化分析、地理空间分析、时间序列分析、情景模拟等。
Palantir 的分析套件超越了传统的“只读”范式，将数据写回 Ontology，在统一的安全性、血统和治理模型中生成有价值的新见解。
平台还与常用建模环境（支持使用Code Workspaces的 JupyterLab® 和 RStudio® Workbench 的本地使用）和商业智能平台（包括 Tableau® 和 PowerBI® 的专用连接器）互操作。
Palantir 平台提供 DevOps 工具来打包、部署和维护在平台中构建的数据产品。这些产品交付能力包括一个包装界面，用于创建由平台资源集合（管道、Ontology、应用程序、模型等）组成的“产品”；用于产品发现和安装的市场前台；以及通过自动升级、维护窗口等管理产品安装的能力。
Palantir 平台具有全面的、最佳实践的安全模型，该模型传播到整个平台，并且默认情况下，与信息同行无论其走向何处。能力包括：
平台管理员可以访问一套强大的工具来管理 Palantir 平台。平台管理的核心应用是：
平台管理员和项目经理还可以访问促进用户支持的资源，例如AIP Assist。这些资源在管理与支持文档中进行了描述。