Interroga i tuoi sistemi in linguaggio naturale. Verifica ogni risposta.

La retrieval-augmented generation (RAG) recupera dalle tue fonti, al momento della domanda, i passaggi o i record pertinenti e li passa al modello linguistico come contesto. Le risposte si basano sui tuoi dati e non solo su ciò che il modello ha appreso durante l'addestramento. La RAG riduce il rischio di risposte errate ma non lo elimina, per questo le risposte riportano citazioni e ogni soluzione viene valutata con il tuo team prima e dopo il rilascio.

Sì, attraverso l'integrazione di strumenti e API. Insieme al tuo team IT possiamo collegare sistemi che espongono un'API, un database o file, per esempio ERP e CRM come SAP, Oracle, Microsoft Dynamics 365 e Salesforce, database come PostgreSQL, SQL Server e MongoDB, strumenti di collaborazione come Microsoft 365, SharePoint, Google Workspace e Confluence, e strumenti IT come ServiceNow e Jira. Nelle architetture che definiamo insieme, l'assistente può eseguire query vincolate su un database o richiamare le API delle applicazioni aziendali. Per i dati strutturati, query predefinite e validate o un livello semantico sono spesso più sicuri della generazione libera di query; la scelta dipende dai dati e dal rischio di ciascun caso d'uso.

Gli utenti si autenticano tramite il tuo identity provider e i controlli di accesso vengono applicati sia quando si recuperano i contenuti sia quando si richiamano gli strumenti. Un utente dovrebbe vedere solo i documenti e i record che è già autorizzato a vedere ed eseguire solo le azioni consentite dal suo ruolo. Le azioni che modificano i dati possono richiedere una conferma esplicita e vengono registrate.

Le risposte includono citazioni ai documenti, ai record o alle risposte dei sistemi su cui si basano, così gli utenti possono aprire la fonte e controllarla. Quando un assistente ben progettato non trova elementi sufficienti a sostegno di una risposta, lo dichiara invece di tirare a indovinare, e questo comportamento fa parte della valutazione che svolgiamo con te.

Sì, dove necessario. Modelli linguistici, indici di ricerca e orchestrazione possono essere eseguiti in un cloud privato o sulla tua infrastruttura, come descritto nella pagina AI confidenziale. La scelta del modello, l'hardware e i compromessi sulle prestazioni vengono valutati con te, per ogni progetto.

Un agente è un componente che pianifica un'attività in più passaggi e decide quali strumenti richiamare, per esempio cercare in più fonti, leggere un record e preparare una bozza. Gli agenti hanno un perimetro definito da permessi espliciti sugli strumenti, limiti a ciò che possono fare in autonomia e revisione umana ovunque un'azione abbia conseguenze.

Le architetture che progettiamo con te sono indipendenti dal modello. Lavoriamo con modelli commerciali come OpenAI GPT, Anthropic Claude e Google Gemini e con modelli open-weight come Llama, Mistral e Qwen, che possono essere eseguiti on-premises. Il modello viene scelto insieme, per ciascun caso d'uso, in base ad attività, lingua, vincoli sui dati, requisiti di deployment e risultati della valutazione.

I risultati dipendono dai sistemi sottostanti, dalla qualità dei dati, dai flussi di lavoro e dall'architettura di deployment e vengono valutati per ogni progetto. I criteri di valutazione si concordano all'inizio, per esempio la correttezza delle risposte su un insieme di domande di riferimento costruito con i tuoi esperti, l'accuratezza delle citazioni e il feedback degli utenti.

Di solito con una Scout Session e una valutazione Advisory dei tuoi sistemi, delle fonti di dati e dei casi d'uso candidati, svolta con i tuoi team. Il caso d'uso più promettente diventa poi un progetto pilota circoscritto, sviluppato insieme ai tuoi team IT e di business, con il supporto ingegneristico di LEAF Labs dove serve, e valutato insieme prima di qualsiasi estensione. LEAF Academy aiuta le persone coinvolte ad adottarlo.