Csapata egyszerű nyelven kérdez, az asszisztens pedig azzal válaszol, amit a dokumentumai valóban mondanak, és megadja a pontos forrást. Ha a válasz nincs meg, beállítás szerint ezt jelzi.
A RAG (visszakereséssel kiegészített generálás) alapú MI-tudásbázis megkeresi a releváns részeket a cég dokumentumaiban, és ezekből írja meg a választ, forrásmegjelöléssel. Olyan csapatoknak építjük, amelyek időt veszítenek belső információk keresésével, vagy ugyanazokat a válaszokat ismétlik. 7 napos próbával indulhat egyetlen forráson, csapata valós kérdéseivel.
Csatlakoztatjuk a Google Drive-ot, a SharePointot, a Notiont, a Confluence-t vagy a súgóközpontját. Minden részlet a címével, dátumával és linkjével tárolódik, a szinkronizálás pedig követi a megváltozott vagy törölt dokumentumokat.
Minden részlet csapat- vagy hozzáférési szintű metaadatot visz magával, a keresés pedig a kérdező személy szerint szűr. Ami nem lehet kereshető, kimarad az indexből, a nagyon részletes jogosultságok tükrözési módjáról pedig Önnel együtt döntünk.
Minden válasz linkeli azt a dokumentumot és szakaszt, amelyből származik, így bárki ellenőrizheti. Az asszisztens utasítást kap arra, hogy mondja ki, ha valamit nem talál, ahelyett hogy kitalálna. A RAG csökkenti a kitalált válaszokat, de nem szünteti meg őket teljesen.
Csapata naponta eljárásokat, műszaki adatlapokat, szabályzatokat vagy támogatási előzményeket ellenőriz, és ez a dokumentáció létezik és viszonylag naprakész.
Egy ki nem értékelt asszisztens csak demó, ezért a csapat használata előtt valós kérdésekkel teszteljük.
Csapata kérdéseket ír a várt válasszal és annak forrásával. Kézzel és egy második modellel, bíróként értékeljük, és minden modell-, darabolási vagy utasításmódosítás után újrafuttatjuk a készletet. Éles üzemben a felhasználói szavazatok és a megválaszolatlan kérdések mutatják meg a dokumentációs hiányosságokat.
Közösen választunk egy forrást, például egy osztály eljárásainak mappáját, és egy csatornát. Az asszisztenst hivatkozásokkal építjük meg, lefuttatjuk csapata kérdéseit, és az eredményeket együtt vizsgáljuk át, mielőtt további forrásokat adnánk hozzá. A hatókört, a dátumokat és a feltételeket írásban rögzítjük, mielőtt elkezdenénk.
A RAG-nál a modellt nem tanítjuk újra a dokumentumain; csak az egyes válaszokhoz szükséges részleteket kapja meg. Olyan szolgáltatókat választunk, akiknek API-feltételei kizárják az ilyen adatok tanítási célú felhasználását, és ha az adatok nem hagyhatják el az infrastruktúráját, nyílt modelleket nézünk az Ön saját szerverén. A jogi megítélés tanácsadójára tartozik.
Igen, bizonyos korlátokkal. A kérdező személy alapján csoportok vagy gyűjtemények szerint szűrünk, feltéve hogy a csatorna, például a Slack vagy a Teams azonosítja a személyt. A nagyon részletes mappajogosultságok pontos tükrözése bonyolultabb, ezért az indexelés előtt közösen rögzítünk egy világos hozzáférési modellt.
A szkennelt PDF-ekhez OCR kell, az összetett táblázatok pedig rosszul darabolva elvesztik a szerkezetüket, ezért ezeket külön kezeljük. A számokkal teli táblázatokat jobb közvetlen integráción keresztül lekérdezni, mert az asszisztens nem számolhat töredékekből. A felmérés során megjelöljük azokat a dokumentumokat, amelyek gondot okoznak.
A tartalom az Öné: amikor egy eljárás változik, az asszisztens a következő szinkronizálás után tükrözi azt. A betöltést automatizálva hagyjuk, riasztást küldünk, ha a szinkronizálás hibás, és útmutatót adunk a források hozzáadásához. Ha szeretné, hogy továbbra is mi felügyeljük az értékeléseket és a finomhangolást, az külön megállapodás tárgya.
Küldjön egy példát, és írja meg, hol található ma a válasz. Javasolunk egy 7 napos próbát ezen a forráson, az eredmények pedig a döntése előtt áttekinthetők.