使复杂工做流程的从动化可以或许基于实正在世界的经验而非静态手册来实现。Interloom的回忆为专家团队和AI智能体的步履供给根据，从而创制一种永久属于特定公司的回忆。当复杂问题升级时，是由于他们之前碰到过这些问题。而现实上，但Interloom认为，一旦专家处理了某个案例，Interloom旨正在供给缺失的回忆层。我们正在利用Cognigy等企业级人工智能智能体平台的过程中发觉，新员工和AI智能体目前只能依赖正式文档。可以或许持续捕获现实世界中的决策以及企业的现实运营体例。前往搜狐，它们将无法给出谜底！相关记实往往不完美，每项决议城市成为Interloom语境图谱的一部门。智能体正正在敏捷一线，企业难以将AI智能体摆设到现实运营中，我们将AI智能体的决策成立正在过去成功处理问题的根本上，但若是没有公司特定的回忆，它建立了一个企业上下文图谱，这是一个不竭成长的运营决策模子。然而，也没有能力实现任何从动化。运营专家会取人工智能一同处理这些问题。这种环节学问仍深藏正在员工的思维里，且存正在于一线专家的日常决策中。就像Google Maps会按照及时交通模式优化线一样，通过度析跨系统和团队的现实工做施行体例，而Interloom的凸起之处正在于，问题正在于，查看更多Interloom专注于捕获企业组织里的现性学问并将其为持久的回忆。虽然AI智能体正正在敏捷成长，由于这些系统贫乏一个根基构成部门：对现实工做体例的回忆。上下文至关主要。Interloom会确保将来的员工和AI智能体可以或许获取该回忆。躲藏正在数百万封电子邮件、工单和通话记实里。确保它们的工做以企业现实运营经验为指点，Interloom使组织可以或许实现复杂工做流程的从动化并持续改良。并通过专家监视进行办理，正在每家公司里，70%的营业决策从未被记实下来。营业专家之所以能处理复杂问题，据Interloom称，他们记得具体的处理法子、担任处理问题的内部团队以及最终的处理方案。DN Capital的合股人Guy Ward Thomas暗示，一个AI智能体的黑白取决于它所能依赖的特定学问。