Imago Platform улучшает базы знаний графами

Шведский стартап Imago Platform Ltd. столкнулся с проблемой точности генеративных моделей при разработке системы управления знаниями для бизнеса. Первым клиентом компании стало предприятие по продаже освещения и электротехники, которому требовалась помощь в обработке гарантийных обращений от разных производителей с сильно различающимися условиями. Система загрузила большой массив PDF-документов, однако модель не могла стабильно выдавать корректные ответы, поскольку генерирует вероятностные, а не детерминированные ответы.

Соучредитель Imago Platform Магнус Хеландер (Magnus Helander) в интервью theCUBE отметил, что добиться стопроцентной точности на исходном подходе не удавалось. По его словам, ситуация изменилась после подключения к программе Neo4j Startup Program и перехода на графовые базы данных: «модель начала выдавать правильные результаты снова и снова».

Imago Platform, основанная 18 месяцев назад, связывает CRM и ERP-системы с документами и электронной почтой, объединяя данные из разрозненных источников. Помимо клиента из сферы освещения, компания обслуживает команды управления недвижимостью, автодилеров и розничные сети в Швеции.

Хеландер привёл пример поисковика товаров для автодилеров: вместо классических чек-боксов и выбора из 300 альтернатив система строит рекомендации на основе потребностей пользователя. По его словам, такой движок было бы невозможно создать без графовой базы данных и продвинутых технологий поиска.

Опыт Imago Platform показывает важность привязки ИИ-агентов к релевантной бизнес-информации. Графовые базы данных устанавливают связи между разрозненными источниками и позволяют агенту извлекать данные в контексте, а не полагаться только на общие знания языковой модели. Хеландер объяснил природу галлюцинаций: модели «запрограммированы быть полезными», поэтому при нехватке данных они генерируют их самостоятельно, но при получении контекста — что с чем связано и каким образом — результат становится точным.

По мере переноса бизнес-логики в слой ИИ разработчикам нужны инструменты мониторинга и трассировки действий агентов. Хеландер отметил, что агенты могут работать в фоне внутри сети Kubernetes, где нет наблюдаемости и непонятно, как был получен вывод. Neo4j, по его словам, решает эту задачу: создаёт узлы для каждого шага работы агента и позволяет проследить его действия.

Интервью вышло в рамках серии theCUBE + NYSE Wired: AI Luminaries. Neo4j выступает спонсором освещения мероприятия, однако, согласно раскрытию информации, спонсоры не имеют редакционного контроля над контентом theCUBE и SiliconANGLE.