信息既可以是福音,也可以是负担。
虽然数据获取能够推动决策和创新,但知识分散在无数工具和平台中造成了组织混乱。团队难以检索相关信息,人员流动导致知识流失,传统知识管理系统在应对这些挑战时显得捉襟见肘。
Doti AI 希望通过其 AI 平台改变这一现状,该平台承诺将改革企业安全连接、访问和利用内部知识的方式。公司今天宣布获得 700 万美元种子轮融资,由 F2 Venture Capital 领投,Ineffable Ventures 普通合伙人 Jared Kasner 和连续创业者、Sola Security 首席执行官 Guy Flechter 参投。
知识管理危机
组织面临着分散知识的严峻挑战。信息散布在 Slack、Salesforce、Jira 和 Confluence 等平台上,导致信息无法访问,引发效率低下、机会损失和员工不满。传统解决方案如静态知识库,由于用户采用率低、结构过时和搜索能力不足,反而加剧了这个问题。
Doti AI 的产品总监 Opher Hofshi 表示:"在当今快节奏的商业环境中,现代组织依赖众多工具。然而,团队使用的工具越多,数据就越分散,导致我们所说的'组织混乱'。"这种混乱迫使员工将宝贵的时间花在搜索信息上,而不是采取行动,最终导致企业损失时间、金钱和发展动力。
新范式
Doti AI 由 Matan Cohen 和 Opher Hofshi 于 2023 年创立。他们在 Wix 工作期间亲身经历了组织知识碎片化带来的低效率,因此着手打造一个彻底改变知识管理方式的解决方案。
Doti AI 被设计成一个集中化的智能中枢,可以与现有工具无缝集成。通过整合信息而不重复数据,Doti 声称能够让团队实时检索上下文相关的见解,同时保持企业级安全性。
"Doti 在这个竞争激烈的市场中脱颖而出,是因为我们直面安全性、集成性和可用性等问题,"Doti AI 首席执行官 Matan Cohen 解释道。"我们的 AutoPilot 功能能够主动识别用户需求,无需明确提示就能提供答案。这消除了学习曲线,显著提高了用户采用率。"
"我们自主开发了每一个集成,而不是依赖现成的解决方案,以保持对安全性的完全控制,"Hofshi 补充道。"这种方法使我们在确保数据隐私和安全性方面具有显著优势。"
实现生成式 AI 在企业中的潜力
Doti AI 的主动式 AI 方法使其与众不同。AutoPilot 功能展示了该平台如何直观地融入日常工作流程,解决了员工不知道该问什么或如何有效利用 AI 的常见问题。通过直接响应持续的对话,Doti 消除了采用障碍,使 AI 成为团队协作的自然延伸。
"生成式 AI 正从根本上重塑公司和个人与数据交互和思考的方式,"Cohen 说。"展望未来,我们认为生成式 AI 将从单一任务工具演变为决策、协作和创新的基础层。"
Doti 的早期用户报告称,仅在三个月内使用率就增加了 4-11 倍,展示了该平台带来可衡量投资回报的能力。销售团队可以访问实时客户历史,客户支持能更快解决问题,研发团队可以毫无延迟地检索关键知识——这些都得益于 Doti 的直观设计和可操作的见解。
为什么安全性比以往更重要
Doti AI 对安全性的关注是其平台的基石。传统知识管理工具往往无法保护敏感数据,使企业面临风险。Doti 通过在源头实施实时权限、提供精细的访问控制,以及为严格合规需求的组织提供灵活的部署选项(包括本地部署),解决了这个问题。
"行业现在正面临一场完美风暴,"Hofshi 说。"虽然公司渴望实施 AI 解决方案,但他们对安全性和数据隐私仍然非常谨慎。这就是为什么我们在 Doti 的各个方面都优先考虑安全性,确保企业在采用 AI 时不会损害信任。"
通过防止数据过度共享,并确保只有授权用户才能访问特定信息,Doti 创造了一个安全的协作环境,同时不影响可用性。
企业 AI 的下一章
对组织来说,问题在于如何快速采用 AI 技术以在快速发展的世界中保持竞争力。Doti AI 致力于重新定义企业知识管理,将组织混乱转化为机遇。
"企业 AI 市场的预期增长反映了技术创新和不断发展的业务需求的完美融合,"Cohen 总结道。"Doti 处于这一转型的最前沿,提供能够帮助组织更高效、更安全、更主动运营的解决方案。"
好文章,需要你的鼓励
这份由MIT NANDA项目团队完成的研究报告揭示了企业AI应用的真实现状。报告基于对52家企业的深度访谈、300多个公开AI项目的分析以及153位高管的问卷反馈,发现尽管企业在生成式AI上投入了300-400亿美元,但95%的组织没有看到任何投资回报。只有5%的企业成功跨越了"GenAI鸿沟",创造了实际价值。
这项研究开发了CaptionQA系统,通过测试AI生成的图片描述能否支持实际任务来评估其真正价值。研究发现即使最先进的AI模型在图片描述实用性方面也存在显著不足,描述质量比直接看图时下降9%-40%。研究涵盖自然、文档、电商、机器人四个领域,为AI技术的实用性评估提供了新标准。
以色列理工学院研究团队提出了一种将专家混合模型融入YOLOv9目标检测的创新方法。该方法让多个专门化的YOLOv9-T专家分工协作,通过智能路由器动态选择最适合的专家处理不同类型图像。实验显示,在COCO数据集上平均精度提升超过10%,在VisDrone数据集上提升近30%,证明了"分工合作"比单一模型更有效,为AI视觉系统提供了新思路。