Les systèmes de gestion des connaissances basés sur l’IA sont confrontés à un défi fondamental lorsque les entreprises ont besoin de réponses précises plutôt que plausibles. Imago Platform Ltd. a rencontré ce problème lors du développement d'une application pour aider les clients à naviguer dans les politiques de garantie de produits complexes.
Le premier client d'Imago, une entreprise d'éclairage et d'électricité, avait besoin d'aide pour résoudre les réclamations au titre de la garantie auprès de fabricants dont les politiques étaient très différentes. L’entreprise a ingéré une vaste collection de documents PDF, mais son modèle d’IA avait du mal à produire des réponses toujours précises. Étant donné que les modèles génèrent des réponses probabilistes plutôt que déterministes, l'approche n'a pas répondu aux exigences du client, selon Magnus Helander (photo), co-fondateur d'Imago Platform.
« Nous ne pouvions tout simplement pas obtenir une précision de 100 % », a-t-il déclaré. « Nous avons participé au programme de démarrage Neo4j et avons obtenu de l'aide pour commencer à travailler avec des graphiques, et tout à coup… le modèle a commencé à fournir des résultats corrects, encore et encore. »
Helander s'est entretenu avec John Furrier pour la série d'interviews CUBE + NYSE Wired : AI Luminaries sur theCUBE, le studio de diffusion en direct de SiliconANGLE Media. Ils ont expliqué comment Imago Platform connecte les systèmes d'entreprise dans un hub sécurisé et intelligent. (* Divulgation ci-dessous.)
Les bases de données graphiques élargissent les applications de gestion des connaissances
Imago Platform connecte les systèmes de gestion de la relation client et de planification des ressources de l'entreprise avec les documents et les e-mails, rassemblant ainsi des informations provenant de sources disparates. Fondée il y a 18 mois, la société est également au service des équipes de gestion immobilière, des concessionnaires automobiles et des détaillants en Suède.
« Nous avons un outil de recherche de produits dans lequel vous indiquez vos besoins, comme pour une voiture », a déclaré Helander. « J'ai trois enfants et je fais la navette ; que pouvez-vous me recommander ? » Au lieu de passer par les cases à cocher classiques et d’essayer de déterminer quelle voiture est la bonne parmi 300 alternatives, nous avons pu créer un moteur de produits basé sur les besoins. Cela n’aurait pas été possible sans une base de données graphique et un certain nombre de technologies de recherche avancées.
L'expérience d'Imago Platform souligne l'importance de baser les agents d'IA sur des informations commerciales pertinentes. Les bases de données graphiques aident à établir des relations entre des sources disparates, donnant aux agents un moyen de récupérer des informations dans leur contexte plutôt que de s'appuyer uniquement sur les connaissances générales d'un modèle de langage, a expliqué Helander.
« Les modèles sont conçus pour être utiles », a-t-il souligné. « S'il ne dispose pas de données, il les générera pour vous parce que c'est la définition de ce qui est utile, et vous aurez alors des hallucinations. Quelque chose se produit lorsque vous fournissez un contexte au modèle. Cette chose est connectée à cette chose, qui est liée à cette chose de cette manière, et tout à coup, cela semble être une correspondance parfaite. «
Les agents d’IA peuvent s’appuyer sur des bases de données, du stockage de fichiers, des données en direct et des interfaces de programmation d’applications pour effectuer des tâches commerciales. À mesure que la logique métier passe à la couche IA, les développeurs ont également besoin de moyens de surveiller l'activité des agents et de retracer les étapes suivies par les agents, a expliqué Helander.
« Soudain, vous avez des agents qui travaillent en arrière-plan parce qu'ils se trouvent au plus profond d'un réseau Kubernetes ou dans un endroit où vous n'avez pas vraiment d'observabilité », a-t-il déclaré. « Vous n'avez vraiment aucune idée de comment ils sont arrivés à cette conclusion. Neo4j nous a sauvés là-bas. Il peut retracer le travail de l'agent. Il crée des nœuds pour chaque étape de celui-ci. »
Voici l'interview vidéo complète, qui fait partie de la couverture par SiliconANGLE et theCUBE de la série d'interviews CUBE + NYSE Wired: AI Luminaries :
(* Divulgation : TheCUBE est un partenaire média payant pour la série d'interviews CUBE + NYSE Wired : AI Luminaries. Ni Neo4j, le sponsor de la couverture de l'événement theCUBE, ni les autres sponsors n'ont de contrôle éditorial sur le contenu de theCUBE ou SiliconANGLE.)
