Asistenți AI pe documentele companiei (RAG)
Un asistent AI care răspunde din documentele tale — și arată de unde vine fiecare răspuns.
Manuale, wiki, contracte, tichete, date de produs. Indexate cu aceleași reguli de acces ca originalele, ținute la zi, disponibile pe site, în Teams, Slack sau pe intranet.
ASISTENȚI DE CUNOȘTINȚE, CONSTRUIȚI CORECT
Compania ta știe deja răspunsul. Doar că e greu de găsit.
Retrieval-augmented generation (RAG): întâi căutăm, apoi modelul răspunde doar din ce s-a găsit.
Procedurile stau într-un wiki pe care nu-l actualizează nimeni, detaliile de produs într-un export din PIM, soluțiile reale în tichete vechi de suport, iar clauza din contract într-un PDF de pe un share. Oamenii întreabă colegii, suportul răspunde la aceeași întrebare a zecea oară, iar angajații noi au nevoie de luni ca să se orienteze. Un chatbot generic nu ajută aici: nu îți cunoaște documentele, iar când nu știe, ghicește.
Un asistent de cunoștințe construit pe RAG funcționează altfel. Conținutul tău este indexat într-un strat de căutare pe care îl deții; la fiecare întrebare sistemul găsește cele mai relevante pasaje, verifică dacă utilizatorul are voie să le vadă, iar modelul de limbaj scrie răspunsul doar din acele pasaje, cu linkuri către surse. Echipa noastră construiește software în producție din 2013 și tratăm acest lucru ca pe un proiect de software și date, nu ca pe un prompt. Dacă vrei ca asistentul să și execute acțiuni, nu doar să răspundă, vezi ce facem la agenți AI.
Ingestie și căutare
Conectori pentru fișiere, wiki, ticketing și baze de date. Parsare curată, împărțire în fragmente cu sens, embedding-uri și căutare hibridă, vectori plus cuvinte cheie, ca să fie găsite și coduri de produs sau nume.
Permisiuni și citări
Fiecare utilizator primește răspunsuri doar din documentele pe care le poate deja deschide. Fiecare răspuns își citează sursele, ca oamenii să-l poată verifica dintr-un click în loc să aibă încredere oarbă.
Evaluare și operare
Un set de întrebări reale, măsurat înainte de lansare și după fiecare modificare. Sincronizare, monitorizare și găzduire pe serverele tale sau pe rețeaua noastră cloud (AS56951).- Inventarul surselor și un set de întrebări stabilit cu echipa ta
- Conectori pentru fișiere, SharePoint, Confluence, tichete și baze de date
- Parsare, fragmentare și metadate adaptate documentelor tale
- Căutare vectorială și hibridă, de exemplu PostgreSQL cu pgvector
- Căutare care respectă permisiunile, legată de identitățile existente
- Răspunsuri cu surse și un „nu am găsit asta” onest
- Chat pe site, în Teams, Slack sau pe intranet, plus un API
- Sincronizare incrementală, reindexare și tratarea ștergerilor
- Suită de evaluare, buclă de feedback și tablou de calitate
- Modele prin API în cloud sau implementare privată pe cloud-ul nostru GPU
CUM LUCRĂM
De la documente împrăștiate la un asistent de încredere
Întâi un pilot mic, măsurat pe întrebările voastre, apoi extindere.
Alegem cazul de utilizare
Cine întreabă, ce întreabă și unde stau astăzi răspunsurile. Strângem întrebări reale din suport, vânzări sau operațiuni și stabilim cum arată un răspuns bun.
Mapăm sursele și accesul
Listăm sistemele, formatele, responsabilii și modelele de permisiuni și marcăm conținutul învechit, duplicat sau care trebuie să rămână în afara indexului.
Construim pipeline-ul
Ingestie, fragmentare, embedding-uri, căutare hibridă și re-ranking, cu filtrele de acces aplicate la căutare, nu după ce răspunsul a fost scris.
Evaluăm și ajustăm
Notăm căutarea și răspunsurile pe setul de întrebări: sursele corecte găsite, răspuns susținut de ele, refuzuri corecte. Apoi ajustăm fragmentarea, căutarea și prompturile.
Pilot cu utilizatori reali
Un grup restrâns îl folosește acolo unde lucrează deja: site, Teams, Slack sau intranet. Feedbackul pe fiecare răspuns ajunge direct în setul de evaluare.
Operăm și extindem
Sincronizare, monitorizare, urmărirea costurilor și rapoarte regulate de calitate. Surse și echipe noi se adaugă după ce primul caz de utilizare se dovedește solid.TEHNOLOGIE ȘI RISCURI
Ce e sub capotă și la ce suntem atenți
Majoritatea problemelor RAG țin de date și căutare, nu de model.
Alegem componentele după constrângerile tale, nu după modă. Elemente tipice: PostgreSQL cu pgvector sau o bază de date vectorială dedicată pentru index, căutare full-text alături pentru căutarea hibridă, un pas de re-ranking și modele de la OpenAI sau Anthropic Claude, ori modele open-weight precum Llama, Mistral sau Qwen servite cu vLLM. Orchestrarea este cod simplu și testabil, cu framework-uri precum LangGraph acolo unde un flux în mai mulți pași are nevoie de ele. Fișierele scanate și formularele complexe au adesea nevoie mai întâi de extragere; aici intervine document AI, iar sursele structurate, cum ar fi datele din ERP sau de produs, trec de obicei printr-un pipeline de date corect înainte să ajungă în index.
Răspunsuri greșite sau inventate. Modelul răspunde doar din pasajele găsite, le citează și are voie să spună că nu știe. Urmărim ca metrici ancorarea în surse și refuzurile corecte, iar despre cum testăm acest lucru poți citi pe pagina testare și evaluare AI.
Date care ajung la cine nu trebuie. Regulile de acces sunt stocate cu fiecare fragment și aplicate chiar în interogarea de căutare. Le testăm explicit cu utilizatori din grupuri diferite înainte ca asistentul să fie văzut de cineva din afara proiectului.
Conținut învechit. Joburile de sincronizare, tratarea ștergerilor și datele vizibile ale surselor țin răspunsurile legate de versiunea curentă a documentului, nu de cea de anul trecut.
Prompt injection și date sensibile. Textul găsit este tratat ca date, nu ca instrucțiuni; filtrăm ce intră în index și logăm ce iese. Când documentele nu au voie să plece din organizație, rulăm tot stack-ul ca AI privat pe servere dedicate sau pe cloud-ul nostru GPU din România.
ÎNTREBĂRI FRECVENTE
Întrebări pe care le auzim înainte de un proiect RAG
Va inventa asistentul răspunsuri?
Orice model de limbaj poate da un răspuns greșit, așa că proiectăm împotriva acestui risc în loc să sperăm. Asistentul răspunde doar din fragmentele găsite, le citează și spune clar când sursele nu conțin răspunsul. Măsurăm cât de ancorate în surse sunt răspunsurile pe un set de întrebări reale înainte de lansare și continuăm să măsurăm și după.
Pot utilizatori diferiți să primească răspunsuri diferite?
Da, iar pentru majoritatea companiilor este o cerință. Fiecare fragment păstrează regulile de acces ale documentului sursă, iar căutarea filtrează după identitatea celui care întreabă. Cineva din vânzări nu va primi pasaje dintr-un folder HR pe care nu îl poate deschide în sistemul original.
Trebuie ca datele noastre să iasă din infrastructura proprie?
Nu. Putem folosi API-uri comerciale de modele acolo unde politica ta permite, sau putem rula modele open-weight și baza de date vectorială pe servere dedicate ori pe propriul nostru cloud GPU din România, astfel încât documentele, embedding-urile și prompturile rămân într-un mediu pe care îl controlezi.
Cum rămâne asistentul la zi?
Conectorii sincronizează modificările din sistemele sursă periodic sau prin webhook-uri. Documentele noi și cele editate sunt reindexate, cele șterse sunt scoase din index, iar schimbările de permisiuni sunt preluate și ele. Fiecare răspuns poate afișa data sursei folosite.
Cum începem și cum se stabilește prețul?
De obicei cu un pilot pe o singură colecție de documente și un singur grup de utilizatori, cu un set de întrebări stabilit de la început. Prețul depinde de amploare, surse și găzduire; putem lucra pe un scope fix, cu o echipă lunară sau pe un model bazat pe valoare. Vezi modelele de colaborare.
Ai documentele? Hai să le facem să răspundă.
Spune-ne ce documente și ce întrebări contează cel mai mult și îți spunem sincer cum ar arăta un prim pilot.