A közelmúltban ismét átalakult az MI világa, amikor az OpenAI kiadta a Mély kutatást.
Nem sokkal később hasonló megoldással jelentkezett a Perplexity, az xAI, a Manus és mások is. A Mély kutatás lényegében egy keresőügynök, amely a felhasználó kérdése alapján akár 30 percen át összetett, többlépéses internetes kutatást végez, esetenként több mint 100 forrást felhasználva. Perceken belül átfogó kutatási jelentést készít – ez a munka egy emberi kutatónak általában több órájába telne.
Úgy gondoljuk, ez az egyik legjelentősebb MI-megjelenés a GPT-3 óta.
Az ügyfeleinkkel folytatott beszélgetések során egy kérdés különösen gyakran merült fel: „Mikor alkalmazhatjuk ezt a fajta mély kutatást a saját adatainkon?”
Ezen ügyfelek közül sokan éveken, sőt évtizedeken át aprólékosan építették a világ legnagyobb saját tulajdonú tudástárait. Ezek az adatok felbecsülhetetlen értékűek, és versenyelőnyt biztosítanak számukra saját iparágukban.
Ezt az igényt felismerve olyan megközelítés kidolgozásába kezdtünk, amellyel minden vállalat a saját piacához, adataihoz és környezetéhez igazodó mély kutatási képességeket építhet ki.
Ezt a megoldást Vállalati mély kutatásnak nevezzük.
A Vállalati mély kutatásban számos olyan tanulságot hasznosítunk, amelyet a RAG-megközelítéseket részletesen bemutató cikkünkben ismertettünk.
A felhasználói lekérdezés iteratív finomítása még fontosabb a mély kutatási feladatoknál, mint a hagyományos RAG esetében
A kontextuskezelés továbbra is kulcsfontosságú. Elengedhetetlen, hogy a kutatási ügynök pontosan átlássa, mit vizsgált már meg, és mely kutatási irányok bizonyultak eredményesebbnek. Az állapot intelligens kezelésével a modell érvelési képessége a lehető leghatékonyabban érvényesülhet
A kutatási ügynök a Vállalati mély kutatás motorja.
A kutatási ügynök látja a felhasználó kérdését, a korábban végrehajtott lekérdezéseket és az általuk feltárt hasznos információkat. Ezután érvelés segítségével konkrét műveletekké alakítja a gondosan összeállított adatfolyamot.
A kutatási ügynök számos eszközhöz kap hozzáférést, amelyek segítik célja elérésében. Ezek közé tartozhatnak a fogyasztóknak szánt mély kutatási megoldásokban megszokott webes keresési és weboperátori eszközök, valamint a saját adatforrásaival és végpontjaival kommunikáló eszközök is.
Ez egy valódi szerszámosládához hasonlítható: a kutatási ügynöknek csak ki kell választania a feladathoz megfelelő eszközt. Néha a webes keresés a leghasznosabb eszköz: előfordulhat, hogy gyorsan meg szeretne nézni egy aznap megjelent tanulmányt, amely még nem került be a vállalati tudásbázisba.
A gyógyszeriparban, a pénzügyben vagy a jog területén azonban a munkafolyamatok nagymértékben a belső tudásbázisokra támaszkodnak. E forrásokhoz teljes körű megerősítéses tanulással hangolhatjuk finomra a kutatási ügynököt, hogy a lehető leghatékonyabban járja be a vállalat saját tudásanyagát. És éppen ebben jeleskedik igazán a Vállalati mély kutatásunk.
Itt történik az igazi varázslat.
Bár az internet hatalmas mennyiségű információt kínál, az MI-rendszerekben rejlő teljes potenciál a vállalat saját szakértelmének közvetlen beépítésével aknázható ki. Meggyőződésünk, hogy a leghatékonyabb megoldások úgy születnek, ha a folyamat minden lépésébe beépítjük az egyedi tudást és a versenyképességet meghatározó erősségeket.
A szervezetekkel együttműködve személyre szabott integrációs megoldásokat fejlesztünk, amelyek egységes ökoszisztémába fogják össze a különféle forrásokból származó adatokat – legyen szó strukturált adatbázisokról, például Neo4j-ről, PostgreSQL-ről vagy Snowflake-ről, illetve felhőtárhelyekről és fájlrendszerekről, például S3-ról vagy SharePointról. Ez az integráció gondoskodik arról, hogy a rendszer minden elemét gazdagítsák a saját adatok és belső folyamatok. Így a kutatási ügynök ugyanazokat a lépéseket követheti, mint a belső elemzők.
Az adatok hatékony hasznosítása gyakran vet fel alapvető kérdéseket a hozzáférési jogokkal és jogosultságokkal kapcsolatban. Az adattulajdonosokat érthető módon aggasztja annak veszélye, hogy a válaszokban véletlenül bizalmas információk jelenhetnek meg. Meggyőződésünk, hogy az adatvédelmet és az adatbiztonságot már az alapoktól be kell építeni megoldásainkba. A belső adatok indexelésekor elengedhetetlen az adatok tulajdonjogának rögzítése és a jogosultságok érvényesítése, hogy az adott információkhoz kizárólag az arra jogosult felhasználók férhessenek hozzá. Emellett az adatvédelem és a jogszabályi megfelelés fenntartásához nélkülözhetetlenek az adatok indexből való, GDPR-nak és más előírásoknak megfelelő törlését biztosító robusztus mechanizmusok. Ez a fokú ellenőrzés és biztonság különbözteti meg megközelítésünket a nyilvános, az egész internetet átfogó mély kutatási eszközöktől.
A webes keresés továbbra is a vállalati kutatási munkafolyamatok egyik alappillére. A hagyományos webes adatkinyerés régóta megbízható módszer az online források strukturált adatainak begyűjtésére. Ezek a klasszikus módszerek hatékonyan gyűjtenek nagy mennyiségű nyilvános információt.
A közelmúltban megjelent weboperátor-ügynökök az internetes adatlekérés összetett feladatainak megoldására szolgálnak. Ilyen például az OpenAI Operátora, az Anthropic Claude-ja és a Convergence Proxyja. Arra tervezték őket, hogy összetett webes környezetekben navigáljanak, árnyalt lekérdezéseket kezeljenek, és olyan adatokat is megszerezzenek, amelyek a hagyományos adatkinyerési technikákkal elérhetetlenek lehetnek.
Előfordul, hogy a lekért adatok elemzésére nem az LLM-ek jelentik a legjobb eszközt. Ezért az elemzések elvégzéséhez a kutatási ügynöknek speciálisabb eszközökhöz, például programozási környezethez vagy akár a vállalat saját eszközeihez is hozzáférést adhatunk. Ez a többrétegű megközelítés – a klasszikus adatkinyeréstől a fejlett operátorügynökökön át a speciális eszközökig – az adatkörnyezet összetettségétől függetlenül alapossá és alkalmazkodóképessé teszi a vállalati kutatást.
Minden vállalat saját kultúrával, iparági sajátosságokkal és bevett gyakorlatokkal rendelkezik, amelyek meghatározzák, hogyan lehet a felismeréseket a legeredményesebben befogadni és alkalmazni. A kész megoldások gyakran univerzális válaszokat adnak, amelyek nem feltétlenül illeszkednek a vállalkozás egyedi környezetéhez.
Egy személyre szabott mély kutatási megoldással a kutatási eredmények pontosan ott és úgy formázhatók, ahol és ahogyan szükség van rájuk – akár meglévő elemzőeszközökbe építve, akár egy külön erre a célra kialakított munkafolyamat részeként.
Ha a kutatási eredményeket a vállalat saját nyelvezetéhez és folyamataihoz igazítja, a felismerések nemcsak pontosak lesznek, hanem zökkenőmentesen be is épülnek a meglévő döntéshozatali keretrendszerekbe.
Olyan jövőt képzelünk el, amelyben minden vállalat személyre szabott mély kutatási megoldással támogatja legfontosabb munkafolyamatait.
A közelmúlt újdonságai – például az integrált webes keresési képességeket kínáló OpenAI Responses API, valamint az ügynökalapú MI-rendszerek építésére nemrég bemutatott Agent SDK – azt jelzik, hogy az iparág vezetői elkötelezettek az e területen használható MI-eszközök továbbfejlesztése mellett. Míg az olyan nyilvános eszközök, mint az OpenAI Mély kutatása, kiválóan kezelik az általános kérdéseket, a versenyelőnyre törekvő vállalatoknak olyan egyedi megközelítésre van szükségük, amely teljes mértékben kiaknázza saját tudásukat és egyedi erősségeiket.
Érdekli, hogyan válhat ez a jövőkép valósággá vállalata számára? Lépjen kapcsolatba velünk az Önnek legkényelmesebb csatornán.