Nylig ble AI-landskapet nok en gang endret da OpenAI lanserte dyp forskning.
Kort tid etter kom lignende lanseringer fra Perplexity, xAI, Manus og andre. I bunn og grunn er dyp forskning en søkeagent som kan ta imot et spørsmål fra brukeren og utføre kompleks forskning på internett i flere trinn i opptil 30 minutter, noen ganger ved hjelp av over 100 kilder. På få minutter utarbeider den en omfattende forskningsrapport – arbeid som det vanligvis ville tatt en menneskelig forsker flere timer å fullføre.
Vi mener dette er en av de viktigste AI-lanseringene siden GPT-3.
I samtalene vi siden har hatt med kundene våre, er det særlig ett spørsmål som går igjen: «Når kan vi bruke denne typen dyp forskning på våre egne data?»
Mange av disse kundene har brukt år – eller til og med tiår – på møysommelig å bygge opp noen av verdens største egenutviklede kunnskapsbaser. Disse dataene er uvurderlige og gir dem et konkurransefortrinn i sine respektive bransjer.
For å dekke dette behovet begynte vi å utvikle en metode som gjør det mulig for alle virksomheter å bygge funksjoner for dyp forskning tilpasset deres marked, data og kontekst.
Vi kaller løsningen dyp forskning for bedrifter.
I dyp forskning for bedrifter tar vi i bruk mye av lærdommen vi omtalte i fordypningen vår om RAG-metoder.
Å forbedre brukerens spørsmål trinnvis er enda viktigere i oppgaver med dyp forskning enn i klassisk RAG
God konteksthåndtering er fortsatt avgjørende. Det er avgjørende at forskningsagenten har god oversikt over hva den allerede har undersøkt, og hvilke forskningsspor som har gitt best resultater. Ved å håndtere denne tilstanden på en intelligent måte kan resonneringen i modellen fungere mest mulig effektivt
Forskningsagenten er motoren som driver dyp forskning for bedrifter.
Forskningsagenten har tilgang til brukerens spørsmål, tidligere utførte søk og den nyttige informasjonen søkene ga. Deretter bruker den resonnering til å omsette den kuraterte datastrømmen i handlinger.
Forskningsagenten får tilgang til en rekke verktøy som hjelper den med å nå målet. Dette kan omfatte verktøy for nettsøk og nettoperasjoner, som er vanlige i forbrukerrettede verktøy for dyp forskning, men også verktøy som kan samhandle med virksomhetens egne datakilder og endepunkter.
Dette kan sammenlignes med en vanlig verktøykasse – forskningsagenten trenger bare å velge riktig verktøy for oppgaven. Noen ganger er nettsøk det nyttigste verktøyet – kanskje du raskt vil se på en forskningsartikkel som ble publisert i dag, og som ennå ikke er tatt inn i virksomhetens kunnskapsbase.
Jobber du derimot i en bransje som legemidler, finans eller juss, vil arbeidsflyten i stor grad være avhengig av interne kunnskapsbaser. For disse kildene kan vi finjustere forskningsagenten med ende-til-ende-forsterkende læring, slik at den kan navigere mest mulig effektivt i virksomhetens egen kunnskap. Og det er her vår løsning for dyp forskning for bedrifter virkelig utmerker seg.
Det er her magien skjer.
Internett byr på enorme mengder informasjon, men ved å bygge virksomhetens egen ekspertise direkte inn i AI-systemer kan du utnytte systemenes fulle potensial. Vi mener de mest effektive løsningene oppstår når virksomhetens unike kunnskap og konkurransefortrinn integreres i alle trinn av prosessen.
Vi samarbeider med organisasjoner om å utvikle skreddersydde integrasjonsløsninger som samler data fra ulike kilder – enten det er strukturerte databaser som Neo4j, PostgreSQL eller Snowflake, eller skylagring og filsystemer som S3 eller SharePoint – i ett samlet økosystem. Integrasjonen bidrar til at alle deler av systemet berikes med virksomhetens egne data og interne prosesser. Dermed kan forskningsagenten følge de samme trinnene som virksomhetens interne analytikere.
Forsøk på å utnytte data effektivt reiser ofte viktige spørsmål om tilgangsrettigheter og fullmakter. Dataeiere er forståelig nok bekymret for at sensitiv informasjon utilsiktet kan bli eksponert i svarene. Vi mener at personvern og datasikkerhet må bygges inn i løsningene våre fra grunnen av. Når interne data indekseres, er det avgjørende å registrere dataeierskap og håndheve tilgangsrettigheter, slik at bare autoriserte brukere får tilgang til bestemt informasjon. I tillegg er robuste mekanismer for å slette data fra indeksen – i samsvar med GDPR og annet regelverk – avgjørende for å ivareta personvernet og etterleve gjeldende krav. Dette nivået av kontroll og sikkerhet skiller vår metode fra offentlige verktøy for dyp forskning som søker på hele internett.
Nettsøk er fortsatt en hjørnestein i bedrifters forskningsarbeid. Tradisjonell nettskraping har lenge vært en pålitelig metode for å hente strukturerte data fra nettkilder. Disse klassiske metodene er effektive for å samle inn store mengder offentlig tilgjengelig informasjon.
Nylig har nettoperatoragenter blitt tatt i bruk for å håndtere krevende oppgaver med å hente data fra internett. Eksempler er OpenAIs Operator, Anthropics Claude og Convergences Proxy. De er utviklet for å navigere i komplekse nettmiljøer, håndtere nyanserte spørsmål og hente data som kan være utilgjengelige for vanlige skrapeteknikker.
Noen ganger er ikke store språkmodeller det beste verktøyet for å analysere innhentede data. Da kan vi gi forskningsagenten tilgang til mer spesialiserte verktøy, for eksempel et kodemiljø eller virksomhetens egne verktøy, for å utføre analysene. Denne lagdelte tilnærmingen – fra klassisk skraping til avanserte operatoragenter og spesialistverktøy – sikrer at virksomhetens forskning blir både grundig og tilpasningsdyktig, uansett hvor komplekst datalandskapet er.
Alle virksomheter har sin egen kultur, bransjespesifikke nyanser og etablerte praksis som påvirker hvordan innsikt best formidles og tas i bruk. Standardverktøy gir ofte generelle svar som ikke nødvendigvis passer til virksomhetens unike kontekst.
Med en skreddersydd løsning for dyp forskning kan du presentere forskningsresultatene akkurat der og på den måten de trengs – enten ved å integrere dem i eksisterende analyseverktøy eller ved å lage en egen arbeidsflyt til formålet.
Når forskningsresultatene tilpasses virksomhetens eget språk og egne prosesser, blir innsikten ikke bare presis, men også sømløst integrert i eksisterende rammeverk for beslutningstaking.
Vi ser for oss en fremtid der alle virksomheter drar nytte av en skreddersydd løsning for dyp forskning som driver deres mest kritiske arbeidsflyter.
Nylige lanseringer – som OpenAIs Responses API, med integrerte funksjoner for nettsøk, og deres nylig lanserte Agent SDK for utvikling av agentiske AI-systemer – viser at bransjelederne satser på å videreutvikle AI-verktøy på dette området. Offentlige verktøy som OpenAIs dype forskning er svært gode til å besvare generelle spørsmål, men bedrifter som ønsker et konkurransefortrinn, vil ha nytte av en skreddersydd tilnærming som utnytter deres egen kunnskap og unike styrker fullt ut.
Vil du utforske hvordan denne visjonen kan fungere for virksomheten din? Ta kontakt med oss gjennom kanalen du foretrekker.