把 AI 模型接进本体
本体让你用"现实概念"组织数据；模型让你用"现实概念"做预测。这一篇讲怎样把一个训练好、评估过的模型 部署进本体，让普通用户不用懂机器学习也能用到预测结果。
https://www.palantir.com/docs/foundry/ontology/models/
原始标题：Models in the Ontology
一句话速览
把 AI 模型接进本体：本体让你用"现实概念"组织数据；模型让你用"现实概念"做预测。这一篇讲怎样把一个训练好、评估过的模型 部署进本体，让普通用户不用懂机器学习也能用到预测结果。
这一篇在讲什么？
原文聚焦的是"运营 AI/ML"的最后一步：把评估过的模型部署上线。
组织都想用 AI / 机器学习（ML）来加速决策，但真正把模型用起来并不容易， 投资回报率（ROI）常常达不到预期。Foundry 提供三块能力来弥合这道鸿沟：
本篇只讲最后一块——如何把一个已经评估好的模型，部署进生产环境、接入本体（Ontology）， 让它在 Workshop、Vertex 这类终端应用里被实时调用。
为什么要把模型"接进"本体？
原文给出三大收益：可解释、可积累、可连通。
把数据集映射成本体概念能带来好处；原文指出，把模型也映射成本体概念，会再叠加三层收益：
可解释性 Interpretability
Users interact with forecasts, estimates, classifications — not ML internals.所有建模结果都用"现实概念"来表达——也就是某个对象类型的属性。 终端用户不需要懂机器学习就能用上结果，他们只是和"预测（forecast）、估算（estimate）、分类（classification）" 这样简单的概念打交道。
规模效应 Economies of scale
Modeling efforts build on each other over time.每个建模项目不再是只为某一个场景临时定制的孤例。为一个用例产出的预测， 可以立刻被后续用例复用，减少重复劳动，更快产生用户价值。
连通到全局 Connectivity at scale
The Ontology becomes a single source of truth for logic, not just data.引入 ML 后，本体成为组织的唯一事实来源——不只是数据，更是"逻辑"。 模型编码了组织对"事情未来会怎样变化"的预期，于是本体变成整个企业的"数字孪生（digital twin）"， 让跨组织的模拟推演成为可能。
端到端四步流程
在 Foundry 里用本体做"实时推理（live inference）"的高层步骤。
点开上面每一层，看这一步具体在做什么。四步是"评估好的模型 → 部署 → 包装成函数 → 应用里实时调用"。
两种推理方式：实时 vs 批量
同一个模型，既可以"按需即时算"，也可以"离线算好存着"。
原文点出模型接入本体的两条路径，对应不同的使用节奏：
| 方式 | 特征 | 适合 |
|---|---|---|
| 实时推理 Live inference | 经"模型部署 + 包装函数"，在应用里每次请求算一次，即时返回。 | Workshop / Vertex 里用户随用随算 |
| 批量推理 Batch inference | Ontology 对象由"用模型算出的数据集"来支撑，结果落为对象属性。 | 全量对象一次性算好、长期展示 |
练一练：该选哪种？
模型结果，变成本体里的属性
预测、估算、分类——都是对象类型上一个普通人能懂的属性。
把模型接进本体的最大好处，是终端用户根本感知不到"这是 ML"。 他们看到的只是某个对象上多了一个属性：
Customer.churnRiskScore 客户流失风险分Equipment.remainingUsefulLife 剩余寿命估算Ticket.priority 工单优先级分类因为结果定义在"现实概念"上，用户无需理解模型内部，就能直接用这些结果做决策、建规则、画看板。 又因为它落在本体里，一个用例算出的预测，下一个用例能直接复用——这就是第 2 步说的"规模效应"。
动手对照实验：关键词检索 vs 语义检索
为什么"嵌入模型（embedding model）"值得接入？点查询词，看两种检索各命中什么。
下面是一份极简文档库（8 篇）。请点一个查询词：左栏是"关键词检索"——只匹配标题里字面出现的字； 右栏是"语义检索"——靠嵌入模型把意思转成向量，找意思相近的文档。 你会看到：语义检索能找到关键词检索漏掉的相关文档。
说明：这是教学用的简化模型——真实语义检索由嵌入模型把文本转成向量、在 N 维空间里找最近邻，并非靠预设同义词。这里只是让你直观感受"按意思找"比"按字面找"能多覆盖多少。
一页带走
延伸阅读 · 相关页面
按主题横向跳转，不必顺着目录一篇篇读。
常见问题速答 · FAQ
关于「把 AI 模型接进本体」，读者最常问的几个问题。