כך Gemini Enterprise מנסה לפתור את בעיית האמינות בבינה מלאכותית ארגונית
גוגל מציגה מסגרת Agentic RAG חדשה ל-Gemini Enterprise Agent Platform, שמטרתה לשפר תשובות ארגוניות מורכבות באמצעות סוכנים, חיפוש איטרטיבי ובדיקת הקשר מספק. מעבר לשיפור טכני, זהו צעד חשוב במרוץ להפיכת מודלים גנרטיביים לכלי עבודה אמינים, מבוקרים וישימים בארגונים גדולים.
מ-RAG פשוט למערכת חקירה ארגונית
אחת הבעיות המרכזיות של בינה מלאכותית בארגונים אינה היכולת לנסח תשובה משכנעת, אלא היכולת לדעת אם התשובה נשענת על מידע מלא, עדכני ורלוונטי. מערכות RAG סטנדרטיות, כלומר Retrieval-Augmented Generation, נבנו כדי לשלוף מסמכים ולהזין אותם למודל שפה. זה עובד היטב כאשר השאלה פשוטה והמידע נמצא במקום אחד. אבל בארגון אמיתי, מידע על לקוח, פרויקט, תקציב, הרשאות, תקלות או מסמכים משפטיים מפוזר בין מערכות שונות, מאגרי ידע, קבצי PDF, CRM, מסדי נתונים ותיעוד פנימי.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
המסגרת החדשה של Agentic RAG ב-Gemini Enterprise Agent Platform מנסה להתמודד בדיוק עם הפער הזה. במקום חיפוש חד פעמי, המערכת פועלת יותר כמו צוות מחקר דיגיטלי: היא מפרקת שאלה מורכבת לתת משימות, מתכננת איפה לחפש, מנסחת מחדש שאילתות, מפנה אותן למאגרים שונים, ורק לאחר מכן מרכיבה תשובה. החידוש המעניין אינו עצם השימוש בסוכנים, אלא מנגנון הבקרה שבודק האם קיים הקשר מספק לפני שהמודל מקבל רשות לענות.
חשיבותו של הקשר מספק
במערכות ארגוניות, תשובה חלקית עלולה להיות מסוכנת כמעט כמו הזיה. אם רופא שואל על תרופות שחרור, מגבלות תזונה ותגובות אלרגיות במהלך אשפוז, מערכת שמצאה רק שניים מתוך שלושת המרכיבים עלולה ליצור רושם כוזב של שלמות. כאן נכנס לתמונה סוכן ההקשר המספק. הוא בוחן את קטעי המידע שנשלפו, משווה אותם לשאלה המקורית, מעריך טיוטת תשובה ראשונית ומזהה במפורש אילו חלקים חסרים.
המשמעות המעשית היא שהמערכת אינה מסתפקת בלא מצאתי או בניחוש הסתברותי. אם חסר מידע על אלרגיות, היא יכולה להורות לסוכני החיפוש לבצע ניסיון נוסף עם ניסוחים אחרים, למשל חיפוש אחר פריחות, אירועים חריגים או תגובות שליליות. זהו מעבר חשוב ממודל שמייצר תשובה למערכת שמנהלת תהליך בירור.
למה זה חשוב לעסקים
ההבטחה של Agentic RAG אינה רק שיפור במדדי דיוק, אף שגוגל מדווחת על שיפור של עד 34 אחוזים מול RAG סטנדרטי במאגרי בדיקה מסוימים. הערך האמיתי נמצא ביכולת לחבר בין איי מידע ארגוניים בלי לאלץ את הארגון לאחד את כל הדאטה למאגר יחיד. בניסוי על FramesQA, מערכת החיפוש בין כמה מאגרים הצליחה להגיע לדיוק של 90.1 אחוזים גם כאשר היה עליה לבחור את המאגר הנכון מתוך ארבע אפשרויות, כמעט ללא פגיעה בזמן התגובה.
עבור בנקים, חברות ביטוח, מערכות בריאות, גופי ממשל וחברות תוכנה גדולות, זהו הבדל משמעותי. ארגונים אלה מתקשים להטמיע AI גנרטיבי בדיוק משום שהתשובות חייבות להיות ניתנות לביקורת, מבוססות מקור וניתנות לשחזור. Agentic RAG עשוי להפוך לשכבת תיווך חיונית בין מודלי שפה לבין מערכות מידע קריטיות.
השורה התחתונה
הכיוון ברור: הדור הבא של AI ארגוני לא יתבסס רק על מודלים גדולים יותר, אלא על תהליכי עבודה חכמים יותר סביבם. תכנון, ניתוב, חיפוש חוזר ובדיקת שלמות הקשר הם רכיבי אמון לא פחות חשובים מגודל המודל. אם גוגל תצליח להפוך את היכולת הזו למוצר יציב, נוח להטמעה ומחובר היטב למערכות ארגוניות, Gemini Enterprise עשויה לקבל יתרון משמעותי בשוק שבו אמינות היא כבר לא תכונה נחמדה, אלא תנאי כניסה.