北京
在当今数字化商业环境中，企业面临着海量的数据信息，高效准确地从这些数据中挖掘出有价值的内容，成为提升竞争力的关键。语义搜索作为一项重要技术，能够帮助企业理解用户查询的深层意图，而不仅仅是基于关键词匹配，从而提供更精准、相关的搜索结果，极大地提升信息检索效率和决策质量。
目前，企业语义搜索主要有依托大型语言模型（LLM）和无需大型语言模型两种方式，前者凭借强大的语言理解和生成能力带来灵活的搜索体验，后者则有着独特的优势。
甲骨文公司是一家专注于数据库管理系统的跨国计算机技术公司，其推出的可信答案搜索Trusted Answer Search是一项新产品，优先考虑控制、可审计性和可预测结果，虽节省计算成本，但增加了数据管理和治理成本。
甲骨文无需大型语言模型的语义搜索实现方式
甲骨文新的可信答案搜索Trusted Answer Search通过向量搜索，而非大型语言模型（LLM）和检索增强生成（RAG），大规模检索受控的批准文档集，在企业中大规模提供可靠结果。
该系统可下载或通过API访问，企业先定义一个由批准的报告、文档或应用端点与元数据配对的精心“搜索空间”，再利用基于向量的相似度将用户自然语言查询匹配到最相关的预批准目标。
其底层系统不像依赖大型语言模型的RAG系统那样提取原始文本并生成回复，而是确定性地将查询映射到特定“匹配文档”，提取所需参数，返回结构化、可验证的结果，如报告、网址或操作。此外，反馈环路使用户能够标记错误匹配并指定预期结果。
支持企业数据语义搜索方案还有好几家
企业对更多确定性自然语言查询系统的需求日益增长，这些系统能消除不一致响应，为合规目的提供可审计性。任何重视可预测性而非创造性、希望降低运营风险的企业，尤其是金融和医疗等受监管行业，都是潜在买家。
甲骨文Trusted Answer Search使甲骨文与竞争对手的超大规模产品竞争。亚马逊Kendra、微软Azure AI Search、Vertex AI Search和IBM Watson Discovery等产品已支持对企业数据的语义搜索，通常结合访问控制和混合检索技术。
HFS Research高管研究负责人Ashish Chaturvedi表示，这些产品与甲骨文产品的关键区别在于，竞争对手通常会在生成式人工智能能力基础上叠加以生成答案。
甲骨文的系统不再仅依赖大量静态、策划的文档，而是将“可信文档”视为参数化的URL，从底层系统动态获取内容，能从企业应用、API或定期更新的网络端点等实时数据源生成答案，减少对手动维护文档仓库的依赖。
不过，在快速变化领域，保持描述、同义词和映射更新仍需有纪律的所有者、审批和反馈审查，语义重叠会增加维护复杂度。
CIO们需要权衡的因素
KramerERP管理合伙人Robert Kramer表示，可信答案搜索虽通过避免大量使用LLM降低推理成本，但支出转向数据管理、治理和持续维护。Linthicum也认为，采用该技术的企业需投入资金进行文档整理、分类法设计、审批、变更管理和持续调整。
另外，数据时效性挑战。Info-Tech Research Group的顾问研究员Scott Bickley警告，保持策划数据的时效性存在挑战。随着源数据扩展到包括外部来源内容，如监管更新、供应商认证或市场更新，更新频率更高且文件数量可能达数千份，风险增加。
问题在于能否在庞大数据集中提供精确答案，文件版本矛盾或监管环境措辞差异时，呈现合理但错误结果的风险会增加。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
