AI-applikationer og viden

RAG-udvikling

En sprogmodel er kun så god som det, I stiller foran den. De fleste skuffende AI-svar er søgefejl i modeltøj: det rigtige afsnit fandtes og blev aldrig hentet. Vi bygger og justerer søgelaget og måler det derefter, så modellen argumenterer ud fra det korrekte grundlag.

Drøft jeres AI-initiativ Ydelser

Den forretningsmæssige udfordring

Demoen virkede, fordi samlingen var lille

Naiv vektorsøgning klarer sig godt på nogle hundrede dokumenter og forringes kraftigt over nogle hundrede tusinde. Opdeling skiller en tabel fra dens overskrift. Semantisk lignende afsnit skubber det, der faktisk er autoritativt, ud. Aktualitet taber til relevans, så en afløst politik rangerer over den gældende. Intet af det er synligt uden måling, så teams leverer, får plausible svar og opdager først fejlraten, når nogen handler på et forkert.

Det vi gør

Byg søgningen, og bevis den derefter

Vi begynder med at bygge et evalueringsdatasæt af rigtige spørgsmål og kendte korrekte kilder, for man kan ikke justere det, man ikke kan score. Derefter arbejder vi med pipelinen: opdeling der respekterer dokumentets struktur, hybrid søgning der kombinerer nøgleord og vektorer, metadatafiltre for aktualitet og autoritet samt omrangering af kortlisten. Hvor relationer mellem enheder betyder mere end lighed mellem afsnit, bruger vi en graf frem for at lade som om vektorer er nok. Hver ændring scores mod det samme datasæt, så forbedring bliver påvist frem for påstået.

RAG-udvikling

Kompetencer

RAG for virksomheder
Avanceret RAG
GraphRAG
Hybrid søgning
Vektorsøgning
Optimering af søgning
Evaluering af RAG

Typiske anvendelser

Forankr en kundevendt assistent, så hver påstand kan spores til et offentliggjort dokument.
Søg på tværs af kontrakter, hvor svaret afhænger af hvilken aftale der gælder, ikke af ordlighed.
Søg i teknisk dokumentation, hvor det korrekte afsnit er en tabel eller en figurtekst.
Byg en eksisterende assistent om, som svarer plausibelt, men tager fejl tit nok til at have mistet tilliden.

Sådan leverer vi

Form

Gør ønsket til en specifikation: hvem bruger det, hvad er et korrekt svar, hvem beslutter.
Forankr

Forbind til det indhold og de systemer, der rummer svarene, med respekt for eksisterende rettigheder.
Evaluer

Score mod et markeret datasæt bygget på jeres egne sager, før nogen udefra ser det.
Lever og drift

Trinvis frigivelse med overvågning, omkostningsstyring og en regressionssuite, der vogter kvaliteten.

Teknologi

OpenAI
Anthropic
Azure OpenAI
pgvector
Elasticsearch
Microsoft 365
SharePoint
Confluence
Salesforce

Sikkerhed og governance

Svar er forankret i jeres eget indhold og bærer kildehenvisninger, så en læser kan efterprøve dem. Søgningen respekterer de rettigheder, der allerede er sat på kilden, hvilket betyder, at en bruger aldrig gennem applikationen ser noget, vedkommende ikke kunne se direkte. Prompts, hentet kontekst og svar logges til revision, og evalueringen kører løbende frem for én gang ved lancering.

Samarbejdsmodeller

AI-projekt

Vi tager ansvaret for at designe og levere en defineret AI-løsning.

Dedikeret AI-team

Langsigtet dedikeret udviklingskapacitet bygget op om jeres teknologi og leverancemodel.

Managed AI

Vi driver, overvåger og forbedrer løbende AI-systemer i produktion.

Hvorfor TeamExtension.ai

Vi måler, før vi justerer

Det meste søgearbejde foregår på intuition: skift størrelsen på opdelingen, læs et par svar, beslut at det føles bedre. Vi bygger det markerede datasæt først, hvilket er utaknemmeligt og er hele forskellen mellem at justere og at gætte. Det efterlader jer også med en regressionssuite, så en modelopgradering om et halvt år ikke stille kan forringe kvaliteten, uden at nogen opdager det.

Udvalgte kunder

Ofte stillede spørgsmål

Hvordan måler I, om søgningen er god?

Mod et markeret datasæt af rigtige spørgsmål parret med de afsnit, der reelt besvarer dem. Vi rapporterer, om det korrekte afsnit overhovedet blev hentet, og hvor det rangerede. Svarkvalitet scores separat, for et godt svar fra den forkerte kilde er stadig en fejl.

Har vi brug for en vektordatabase?

Ofte ikke. pgvector i en eksisterende PostgreSQL-instans klarer rigtig mange virksomhedsbelastninger uden at tilføje infrastruktur, der skal drives. Vi anbefaler et dedikeret vektorlager, når skala eller funktionskrav berettiger det, ikke som standard.

Hvad er GraphRAG, og har vi brug for det?

Det søger i en graf af enheder og relationer frem for i isolerede afsnit. Det gør sig fortjent til den ekstra kompleksitet, når svar afhænger af forbindelser på tværs af dokumenter, for eksempel ejerkæder eller afhængighedsstrukturer. Til de fleste spørgsmål i løbende tekst klarer hybrid søgning plus omrangering sig bedre for mindre indsats.

Kan I forbedre et system, vi allerede har bygget?

Ja, og det er almindeligt. Vi begynder med at bygge evalueringsdatasættet og måle det, I har. Det lokaliserer som regel fejlen præcist, og løsningen er ofte smallere end en ombygning.

Hvordan forbliver det præcist, når indholdet ændrer sig?

Indeksering følger kilden efter en plan eller ved ændringsbesked, og evalueringsdatasættet kører løbende frem for én gang. Søgekvaliteten overvåges, som enhver anden produktionsmåling gør.

Relaterede kompetencer

AI-applikationer og viden

Virksomhedsviden med AI

Gør fragmenteret intern viden til sikker hjælp, der respekterer eksisterende rettigheder.

Læs mere

AI-data og modeller

AI-dataengineering

De pipelines, kvalitetskontroller og vektorlagre, AI-systemer afhænger af for at være korrekte.

Læs mere

AI-data og modeller

Modelengineering

Finjustering, indlejringer, optimering og servering, inklusive open source og selvhostede modeller.

Læs mere

Drøft jeres AI-initiativ

Søgesystemer, der forankrer svar i jeres eget indhold, med kildehenvisninger og målbar præcision.

Tal med en AI-ekspert Start en AI-vurdering