Imago برای پاسخ دقیق‌تر هوش مصنوعی از پایگاه‌های گرافی استفاده می‌کند

مدیریت دانش هوش مصنوعی در پلتفرم Imago با اتکا به پایگاه‌های داده گرافی دنبال می‌شود؛ رویکردی که به گفته هم‌بنیان‌گذار شرکت، پس از ناکامی مدل در پاسخ‌گویی دقیق به پرسش‌های ضمانت، به ارائه پاسخ‌های درست‌تر و تکرارپذیر کمک کرد. گزارش SiliconANGLE در چهارشنبه ۲۲ مهر ۱۴۰۵ می‌گوید Imago از Neo4j برای پیوند دادن اطلاعات پراکنده و ردیابی گام‌های عامل‌های هوش مصنوعی استفاده می‌کند؛ موضوعی که برای کسب‌وکارهایی اهمیت دارد که پاسخ حدسی را جایگزین اطلاعات دقیق نمی‌پذیرند.

از اسناد ضمانت تا نیاز به پاسخ دقیق

نخستین مشتری Imago یک کسب‌وکار حوزه روشنایی و تجهیزات برقی بود که باید درخواست‌های ضمانت محصولات را با توجه به سیاست‌های متفاوت تولیدکنندگان بررسی می‌کرد. شرکت حجم زیادی از اسناد PDF را وارد سامانه کرد تا مدل هوش مصنوعی بتواند به اطلاعات آن‌ها پاسخ دهد، اما نتیجه در آغاز به اندازه کافی قابل‌اعتماد نبود.

مگنوس هلاندر، هم‌بنیان‌گذار Imago، در گفت‌وگویی با برنامه theCUBE توضیح داد که مدل‌ها پاسخ را به‌شکل احتمالی تولید می‌کنند، نه با تضمین رسیدن به نتیجه‌ای یکسان در هر بار. به گفته او، تیم نتوانست با روش اولیه به دقت کامل برسد و پس از پیوستن به برنامه استارتاپی Neo4j، کار با گراف‌ها را آغاز کرد. هلاندر گفت پس از این تغییر، مدل بارها پاسخ درست ارائه کرد؛ این توصیف، ارزیابی خود شرکت است و گزارش عدد مستقلی برای سنجش میزان دقت ارائه نمی‌کند.

این تجربه یکی از چالش‌های رایج استفاده از مدل‌های زبانی را نشان می‌دهد: اگر مدل اطلاعات کافی درباره موضوع نداشته باشد، ممکن است پاسخی روان اما نادرست بسازد. این پدیده را توهم هوش مصنوعی می‌نامند. راهکار مورد استفاده Imago، اضافه کردن داده و زمینه مرتبط به فرایند پاسخ‌گویی است؛ نه اتکا به دانش عمومی مدل به‌تنهایی.

نقش گراف‌ها در مدیریت دانش هوش مصنوعی

پایگاه داده گرافی اطلاعات را با نمایش موجودیت‌ها و رابطه میان آن‌ها سازمان می‌دهد. برای نمونه، به‌جای نگهداری جداگانه نام محصول، تولیدکننده و شرط ضمانت، گراف می‌تواند ارتباط میان این موارد را نیز بازنمایی کند. در توضیح هلاندر، همین زمینه رابطه‌ای به مدل کمک می‌کند بفهمد یک داده چگونه به داده دیگر مرتبط است و در پاسخ به پرسش کاربر چه اطلاعاتی باید در نظر گرفته شود.

Imago پلتفرمی ساخته است که سامانه‌های مدیریت ارتباط با مشتری (CRM) و برنامه‌ریزی منابع سازمانی (ERP) را در کنار اسناد و ایمیل‌ها به هم وصل می‌کند. هدف، گردآوردن داده‌هایی است که معمولاً در چند سامانه و قالب مختلف قرار دارند تا دستیارهای هوش مصنوعی بتوانند هنگام انجام کار به اطلاعات مرتبط دسترسی داشته باشند. به گفته شرکت، این پلتفرم به‌عنوان یک مرکز یکپارچه و امن برای اتصال سامانه‌های کسب‌وکار طراحی شده است.

هلاندر برای توضیح کاربرد این رویکرد به ابزاری برای پیدا کردن محصول اشاره کرد. کاربر می‌تواند نیازهایش را بیان کند؛ مثلاً بگوید سه فرزند دارد و برای رفت‌وآمد به خودرو نیاز دارد. به گفته او، سامانه می‌تواند به‌جای اتکا به انتخاب‌های پیاپی از میان گزینه‌های ازپیش‌تعریف‌شده، پیشنهاد را بر اساس نیاز کاربر شکل دهد. او گفت این قابلیت برای بررسی ۳۰۰ گزینه خودرو، بدون پایگاه گرافی و فناوری‌های جست‌وجوی پیشرفته ممکن نبود.

ردیابی کار عامل‌ها با Neo4j

با سپردن وظایف بیشتری به عامل‌های هوش مصنوعی، دانستن پاسخ نهایی به‌تنهایی همیشه کافی نیست؛ گاهی لازم است مشخص شود عامل چه مراحلی را طی کرده و نتیجه را بر چه اساسی به دست آورده است. هلاندر گفت عامل‌ها ممکن است در پس‌زمینه، درون زیرساخت‌هایی مانند شبکه Kubernetes یا بخش‌های دیگر سامانه، کار کنند؛ در چنین شرایطی مشاهده روند کار آن‌ها دشوار می‌شود.

به گفته او، Neo4j برای ثبت و ردیابی این فرایند به Imago کمک کرده است. این سامانه برای هر گام عامل گره‌ای ایجاد می‌کند تا مسیر اجرای کار قابل‌بررسی باشد. چنین ثبت مرحله‌ای می‌تواند نشان دهد عامل چگونه از اطلاعات موجود به نتیجه رسیده است؛ قابلیتی که در کنار بازیابی اطلاعات، به نظارت بر عامل‌ها نیز مربوط می‌شود.

شرکت می‌گوید به کسب‌وکارهای مدیریت املاک، نمایندگی‌های خودرو و خرده‌فروشی در سوئد نیز خدمات می‌دهد. Imago حدود ۱۸ ماه پیش تأسیس شده است. در گزارش، گفته‌های هلاندر در قالب گفت‌وگویی رسانه‌ای منتشر شده؛ SiliconANGLE همچنین افشا کرده که theCUBE شریک رسانه‌ای پولی مجموعه گفت‌وگوهای مورد اشاره بوده و Neo4j حامی پوشش رویداد بوده است، هرچند بنا بر همان افشاگری، حامیان کنترل تحریریه محتوا را در اختیار نداشته‌اند.

این خبر برای چه کسانی اهمیت دارد

این رویکرد برای شرکت‌هایی اهمیت دارد که از هوش مصنوعی برای پاسخ به پرسش‌های مبتنی بر اسناد، سیاست‌های داخلی یا داده‌های پراکنده استفاده می‌کنند و به پاسخ قابل‌اتکا نیاز دارند. نمونه Imago نشان می‌دهد افزودن پایگاه گرافی می‌تواند اطلاعات منابع مختلف را در زمینه‌ای قابل‌استفاده برای مدل قرار دهد و ثبت گام‌های عامل را نیز ممکن کند؛ اما گزارش، آزمون مستقل یا عددی برای مقایسه دقت این روش با گزینه‌های دیگر ارائه نمی‌کند.

برای توسعه‌دهندگان سامانه‌های سازمانی نیز موضوع فقط انتخاب مدل نیست: کیفیت اطلاعاتی که در اختیار آن گذاشته می‌شود و امکان بررسی روند اجرای وظایف، بخشی از طراحی محصول است. تجربه‌ای که Imago شرح داده، نمونه‌ای از این نگاه است؛ ترکیب مدل زبانی با داده‌های پیوندخورده و ابزار ردیابی، برای پاسخ‌گویی به نیازهای مشخص کسب‌وکار.