עוזר AI על ידע החברה
איך בונים עוזר AI שעונה מתוך המסמכים והידע של החברה?
התשובה הקצרה
תבל (TEVEL) בונה Knowledge Assistants ו-AI Agents שעונים מתוך המסמכים והמערכות של החברה בגישת RAG — שליפה של מידע רלוונטי ממקורות מאושרים ורק אז ניסוח תשובה, עם הפניה למקור. ההבדל בין הדגמה מרשימה לכלי שאפשר לסמוך עליו נמצא בהרשאות, בבחירת המקורות, בתיעוד ובהגדרה ברורה של מה העוזר לא עושה.
איך זה עובד
RAG (Retrieval-Augmented Generation) מחבר מודל שפה למאגר הידע של הארגון: המסמכים מעובדים ומאונדקסים לחיפוש סמנטי (Semantic Search), ובכל שאלה המערכת שולפת את הקטעים הרלוונטיים ועונה על בסיסם. כך התשובה נשענת על הידע של החברה ולא רק על הידע הכללי של המודל, ואפשר להציג מאיזה מסמך היא הגיעה.
מה הופך אותו לאמין
העקרונות שמגדירים לפני שכותבים שורת קוד:
- מקורות מאושרים בלבד — מה נכנס למאגר ומי אחראי לעדכן אותו
- הרשאות — כל משתמש מקבל תשובות רק ממידע שמותר לו לראות
- הפניה למקור בכל תשובה, כדי שאפשר יהיה לבדוק
- מענה שקוף כשאין מידע מספיק, במקום ניחוש
- Logging של שאלות, תשובות ומקורות לבקרה ולשיפור
- פעולות (אם יש) מוגדרות מראש ודורשות אישור כשצריך
שימושים אפשריים
Copilot פנימי לעובדים (נהלים, מדיניות, ידע מוצר), עוזר לנציגי שירות שמציע תשובה מתוך הידע המאושר, חיפוש בארכיון מסמכים, או שכבת ידע בתוך מערך שירות לקוחות. תמיד בתוך המערכות שבהן העובדים כבר עובדים — לא כעוד כלי נפרד.
שאלות נוספות
האם המידע של החברה עובר לאימון המודל?+
את ארכיטקטורת המערכת, ספקי המודלים ותנאי השימוש בנתונים בוחרים לפי דרישות הארגון. ב-RAG המידע נשלף בזמן השאלה ואינו נדרש לאימון מודל.
מה קורה כשהעוזר לא יודע את התשובה?+
מגדירים שהוא אומר זאת במפורש ומפנה לגורם אנושי, במקום לנחש.
אפשר לחבר אותו גם ל-CRM או ל-ERP?+
במקרים רבים כן, בכפוף ל-APIs ולהרשאות, כך שהעוזר יוכל לשלוף נתונים עדכניים ולא רק מסמכים.