Инструкции, регламенты и ответы на типовые вопросы в компании обычно есть. Беда в том, что спросить коллегу быстрее, чем найти нужный абзац. База знаний с ИИ меняет сам способ поиска: сотрудник пишет вопрос обычными словами и получает ответ со ссылкой на документ. Ниже о том, как это устроено и что продумать заранее.
- 01СистемаИндексирует документы и инструкцииавтоматически
- 02СотрудникЗадаёт вопрос обычными словамиручной шаг
- 03СистемаНаходит фрагменты, доступные этому сотрудникуавтоматически
- 04ИИФормирует ответ по найденным фрагментамавтоматически
- 05СотрудникСверяет ответ с источникомпроверка сотрудником
автоматическипроверка сотрудникомручной шаг
Чем база знаний с ИИ отличается от обычной
Обычная база знаний — это набор страниц и поиск по словам. Если в вопросе другие слова, чем в документе, поиск ничего не находит, и дальше человек листает оглавление.
Когда база знаний для работы с ИИ готова, поиск идёт по внутренним базам знаний, документам и инструкциям с учётом смысла вопроса, а модель собирает из найденного готовый ответ. Сотруднику не нужно знать, в каком регламенте и на какой странице лежит нужное правило.
RAG для бизнеса простыми словами
Подход называется RAG. Работает он в три шага:
- Документы заранее индексируют.
- По каждому вопросу система выбирает релевантные фрагменты.
- Модель формирует ответ на основе этих фрагментов.
Зачем так сложно, если можно «загрузить все документы в нейросеть»? Потому что модель, которая отвечает по памяти, может ошибаться и не знает внутренних правил компании. Когда ей передают найденные фрагменты, ответ опирается на актуальную внутреннюю информацию, а зависимость от общих знаний модели уменьшается. Держать все документы в запросе к модели целиком разработчики как раз не советуют.
Как устроено. Модель не «выучивает» ваши документы. При каждом вопросе она получает несколько подходящих фрагментов и пишет ответ по ним. Поэтому обновить знания — значит обновить документы и индекс, а не переобучать модель.
Что проектируют отдельно
Демо базы знаний можно собрать быстро. Рабочую систему отличают четыре вещи, которые, как подчёркивают в KORVENIQ, нужно проектировать отдельно: источники знаний, права доступа, обновление индекса и трассировку ответа.
Источники знаний. Какие документы считаются достоверными, кто за них отвечает, что делать с устаревшими версиями. Если в базе лежат два противоречащих регламента, ИИ добросовестно перескажет оба.
Права доступа. Ассистент не должен показывать сотруднику информацию, к которой у того нет доступа в исходной системе. Архитектура учитывает, какие данные доступны конкретному пользователю и откуда они приходят.
Обновление индекса. Документы меняются. Если индекс не обновлять, база уверенно отвечает по прошлогодней версии правил.
Трассировка ответа. У каждого ответа должен быть понятный источник, чтобы сотрудник мог открыть документ и проверить.
Как KORVENIQ описывает интеллектуальный поиск по внутренним данным — на странице услуги.
Какие данные можно подключить
ИИ-система может работать с корпоративными документами, базами знаний, данными CRM, инструкциями, каталогами и другой внутренней информацией, если это допускают требования проекта и политика доступа.
Отдельный вопрос — куда уходят данные. До запуска определяют, какие сведения можно передавать внешнему AI-провайдеру и можно ли отправлять туда персональные или внутренние данные. Один из вариантов в таком случае — отдельная модель, развёрнутая в подходящей инфраструктуре.
Если же вопросы сотрудников касаются не текстов, а цифр в выгрузках и отчётах, это уже другая задача. О ней отдельная статья: нейросеть для анализа данных.
Где база знаний с ИИ приносит пользу
- Поддержка клиентов. Бот отвечает на типовые вопросы и ищет в базе знаний, а сложные случаи передаёт сотруднику.
- Внутренняя помощь сотрудникам. Поиск информации, помощь с заявками и внутренними процессами.
- Работа с документами. Извлечение и проверка информации из документов и заявок.
База знаний хорошо работает в связке с ассистентом. О том, как такой ассистент разговаривает с клиентами и когда зовёт человека, читайте в тексте ИИ-ассистент для бизнеса.
Создание базы знаний с ИИ: с чего начать
- Выбрать одну область вопросов. Например, вопросы новых сотрудников по внутренним процессам или типовые вопросы клиентов. Начинать с одной конкретной задачи рекомендуют для любых ИИ-проектов.
- Собрать источники и проверить их качество. Какие документы есть, насколько они актуальны, как устроены, какие у них ограничения доступа.
- Сделать прототип на ограниченном наборе документов. Проверить на реальных вопросах, насколько ответы точны.
- Встроить в привычный инструмент. Удобнее, когда поиск доступен в системе, где сотрудники и так работают.
- Договориться, кто обновляет документы. Без этого база со временем начнёт отвечать по устаревшим правилам.
Полный порядок работ для ИИ-проектов разобран в статье внедрение ИИ в бизнес.
Частые вопросы
Что такое RAG простыми словами?
Способ, при котором модель отвечает не по памяти, а по фрагментам документов, найденным под конкретный вопрос.
Какие данные можно подключить к базе знаний с ИИ?
Документы, инструкции, базы знаний, каталоги, данные CRM и другую внутреннюю информацию, если это допускает политика доступа.
Не увидит ли сотрудник через ИИ то, что ему не положено?
Не должен: ИИ учитывает права доступа исходной системы. Это закладывают в архитектуру ещё до разработки.
Можно ли обойтись без внешнего AI-сервиса?
Да. Можно использовать отдельную модель в подходящей инфраструктуре; выбор зависит от требований к данным, скорости, качеству и стоимости.
